Analisis Survival PDF

::.
:.:
*,.,aB?$,s;
: - ;
embahasan buku ini akan dimulai dengan suatu Pertanyaan
yang sangat penting. Pertanyaan tersebut adalah "Kapankah
kita menggunakan analisis survival?" Lebih tepatnya lagi,
"Kapankah kita horus menggunakan analisis survival?" Untuk
menjawab pertanyaan tersebut, penulis mengajak pembaca untuk
memperhatikan beberapa ilustrasi berikut.
€obal*.kita.b-adingkail dua buah situasi.:Situasi'pertama-

adaffi,'5ill;p5i.ketika.Anda mengendarai kendafaan"saat
lifuran.,,Situisi :.kedua'adalah,saat,:Anda .mengendarai
kendaraan- m, enui u{<anto r.
Pada situasi pertama, mungkin Anda akan mengendarai

kendaraan dengan santai.Anda ingin menikmati Perialanan dan tidak
mempedulikan kapan Anda sampai di tujuan. Jarang sekali Anda
melihat jam tangan karena waktu bagiAnda sudah tidak berarti.
Anda tidak dikejar target harus sampai di tempat tujuan pada iam
tertentu.Yang penting bagiAnda adalah sampai di tujuan dengan
selamat. Kapan Anda sampai tempat tujuan tidaklah Penting bagi
Anda. Pada situasi kedua, mungkin yang terjadi adalah kebalikannya.
Waktu tempuh sangat berarti bagiAnda.Anda bukan hanya ingin
sampai di kantor tetapi Anda ingin sampai di kantor tepat pada
waktunya bahkan kalau bisa lebih cepat tiba di kantor.
Terdapat kesamaan dan perbedaan antara dua situasi di

atas. Persamaannya adalah, Anda sama-sama menuju suatu
tempat. Perbedaannya adalah, pada situasi pertama, Anda tidak
mempedulikan waktu. Anda tidak peduli kapan Anda sampai di
tujuan.Waktu seohh-olah diabaikan. Pada situasi kedua,Anda sangat
mempedulikan waktu.Waktu adalah penting. Dalam hal ini, waktu
tidak bisa diabaikan begitu saja. Faktor kecepatan menjadi hal yang
sangat penting bagi Anda.
: . :: : :::'! !'.1': : !: :": : : :' :

::.^:':y :' : : :':: : :'
Gombor l.l llustrosi duo pengendoro. Pengendoro pertomo (kiri) songot
"peduli" dengon wqktu semenioro pengendoro ke duo
"mengoboikqn" woktu
Te,rdapat tiga' orang Felariya4g mengikuti lor,nba lari' 1 6S .'

meter.l*ampir daFat dipastikar+,.sernitapelaq. akan sam?ai. :
garisi:fi nisfi .,setelah nrenempuh iarak, l0$.m. Akan,:tetapi;',:
esen i:lgrnba'tari b-ukanlah para,gelari,itu' sarnpai.fi niSh.,.
atau tidak atraa.tetapi' es€nsinya:x6;6n kecepatan para,.
pelari,rnenlcnp*i,finirsh lJra.tan.peringkat Fara pelati akan :
ditentukan, cleh unrtan kecepatati- para pela,ri, terseh*t .
rnsncspai garis. fi nish-,
.l.2.
Gombor llustrosi tigo pelori. Urulon iuoro ditenlukon oleh seberopo
cepot pelori mencopoi finis.
Kapan Menggunakan Analis is Survival?

Seorang peneliti rnengamati l<eberhasilan terapi dari dua
macam sbat aatikankef; lqitu,,obratA efan obat B. Banyaknya
pasien yang diar*ati'adalah liryaorang untuk masing-masing
kelonrpok <rba,t'Kelu4r'an 1'ang.ditelti adalah kematian dalam
wa*tu tS tahun,sejak mendapat'pengobatan. Hasil yang
dipqroleh disajikan pada gambir 1.3.
pasien 1
pasien 2
pasien 3
pasien 4
pasien 5
pasien 1
pasien 2
pasien 3
pasien 4
pasien 5
o 2 3oo16 B '1
,l.3.
Gombor Perbondingon keiodion kemolion podo obol A don obqt B.
Tondo I menuniukon bohwo posien meninggol.
Marilah kita perhatikan gambar 1.3. Pada kelompokA terdapat

empat pasien yang meninggal. Pada kelompok B juga terdapat emPat
pasien yang meninggal.Apabila dilihat dari segi insiden kematian,
baik obatA maupun obat B mempunyai insiden kematian yang sama
yaitu sebesar 8O%.Akan tetapi, apabila kita lebih ieli melihat gambari
kita melihat bahwa obatA tidak sama dengan obat B.Walaupun
insiden kematian yang terjadi pada kedua kelompok adalah sama,
kecepoton kejadian kematian pada kelompok B lebih cepat daripada
kecepoton kejadian kematian pada kelompokA. Dari contoh ini, kita
menyadari bahwa pemakain insidens untuk membandingkan obat
ANALISIS SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

A dengan obat B tidaklah tepat. Lalu parameter apakah yang lebih
tepat untuk digunakan?
Parameter yang kita perlukan adalah suatu parameter yang tidak
hanya menunjukkan sesuatu telah terjadi atau tidak (insiden), akan
tetapi juga menunjukkan kapan terjadinya kejadian tersebut. Parameter
tersebut adalah parameter kecepotan yang seringkali disebut sebagai
insrUens rote. Bagaimana caranya menghitung insidens rotel
Tabel berikut menyajikan bagaimana cara kita menghitung

insidens rote berdasarkan kasus di atas.
Tabel l. l. Perbandingan antara insiden dengan insidens rate
itatus:
Obat I l"leningga 5 415:$Oo/c 5+5+5+5+ l0:30 4/30: 0, I 3

A
2' l',4eni4e$q ll.'.:.ii.
3 Yeningga 5
s.]:l:l..r !q:Es .'5,:l
5 -lidup t0
'Q&qi. ii:l:: Yl€'.ingc? 2, 4ls SAaA 2+2+2+4+!0420 r.a/;€]*,,9!Q]1

: ' 'l'l'i:r"iir'
:::l:rtll;:l 2 leningga 2
ti:i:i a.i ?
]]:i::i::t.r:.].,il 4 leningga 4
lnsidens = jumlah pasien meninggal/jumlah pasien

Person time = jumlah waktu pengamatan untuk tiap pasien
lnsidens rote = jumlah pasien meninggal/total person time
Pasien pertama pada obat A meninggal dalam waktu lima

tahun, begitu juga dengan pasien kedua, ketiga, dan keempat. Pasien
kelima masih tetap hidup sampai pengamatan tahun ke- 10. Pasien
pertama mempunyai person time sebesar 5 tahun, begitu pula
dengan pasien kedua sampai keempat. Pasien ke lima mempunyai
person time sebesar l0 tahun. Pada kelompokA, kejadian meninggal
adalah sebanyak 4 dengan total person timenya adalah 30. Dengan
mengetahui jumlah kematian dan total person time, kita bisa
Y :'. Y.":.' :".o :.:' :' :': ::--''

menghitung kecepatan meninggal pada kelompokA yaitu dengan
membagijumlah l<ematian dengan total person timenya. Diperoleh
kecepatan meninggal pada kelompokA adalah sebesar 0,1 3. Dengan
cara yang sama, kita bisa menghitung kecepatan meninggal pada
kelompok B yaitu sebesar 0,20.
obatA dengan obat B tidak dapat dideteksi bila kita
Perbedaan
menggunakan parameter insiden, karena insiden kedua kelompok
adalah sama yaitu 80%. Perbedaan obat A dengan obat B baru bisa
dideteksi bila kita menggunakan parameter insidens rote.lnsidens rote
pada kelompokA adalah 0, I 3 sementara pada kelompok B adalah 0,20.
lnsidens rote kelompok B lebih besar daripada kelompok A, artinya
kematian lebih cepat pada kelompok B dibandingkan kelompokA.
Setelah membaca tiga ilustrasi di atas, marilah kita kembali pada
pertanyaan di awal bab ini. Kapankah kita harus menggunakan
analisis survival?
Kita menggunakan analisis survival pada keadaan di mana faktor
"kapan terjadinya suatu kejadian" lebih penting daripada "apakah
suatu kejadian terjadi atau tidak". Dengan kata lain, kita harus
menggunakan analisis survival bila kita peduli dengan "waktu
terjadinya suatu kejadian".
A-*lfu
W '. 1,i','.Kaparikah.lq4 rnel*ku:kan.'analis' survival? : . l
'.,. ,:.',:Jelatkan.b*ber.apa istitah'berikut i*i;'
' ': r. lnsiden : .
' : ' i.b. ',

Insi-denstrat€,:.::r: ..,." ':. ,.'
. .: e.,,, F€r$OR time' i :. ' . .:' .' ::, r:'
,, 3.. . ., Sesrang pgfrelki mqlakukan' uii.,klinis untuk rnernbandingkan
,'. .,effckthitas, obat' antimalar:ia antara obat standar:,densa* obat
baru. Parameter effektivitas yang diteliti adalah kesembuhan
,...
. har!,ke-J dan:parceffe-clecrence tirne,'Fsrccite,cledienr€
.1.',.peda
"..'-.' ',',grx.l..a*.a!alil'w**tu'.ketifta.,pada.tubuh pasien iidak d:dapatkan,
,-:..,'tggil'f?iaq,it,tttlaf.ia,,i Fafi dua.parameter ter.sehUt,,rnamkah,
.,..r.=:: .r* -e+e.+::t+1tg..haqur d.iqnalisis deng4n -*.n*lisii sury! q.E.:,
: :y::: ::':'I'.'.'::-3.":': :::',:'; :::':: ::':

t:
rq*
L 'os!
i**,
A. Beberapa Terminologi Penting
Untuk bisa memahami analisis survival, terlebih dahulu kita
harus mengenal beberapa terminologiyang berkaitan dengan analisis
survival.Terminologi yang harus dipahami adalah Kapplan Meier:
survivol rate, median survivol, asumsi proporsional hazard'hazard
rasio, event, dan sensor. Terminologi-terminologi tersebut dapat
dipahami dengan pendekatan Kurva Kapplan Meier. Maksudnya,
dengan memahami kurva ini, kita dapat memahami terminologi-
terminologi yang berkaitan dengan analisis survival.
Marilah kita perhatikan kurva Kapplan Meier pada gambar 2.1.
Jenis obat
obat baru
0.
0.8
!'I obat standar
f obat baru-censored
d
o.7 t obatstandar-censored
L
f 0.5
a
E o.4
-
o
o.2
0.t
0 I 2 3 4 5 6 7 8 9 l0
Waktu Survival (tahun)
Gombor 2.,l. Kurvo Kopplon Meier yong membondingkon woktu survivql
onloro duo buoh pengoboton.
Kurva pada gambar 2.1. merupakan perbandingan survival

antara pasien yang mendapat pengobatan standar dan pasien
yang mendapat obat baru. Beberapa informasi penting yang dapat
diperoleh dari kurva tersebut adalah sebagai berikut.
l. Sumbu y, sumbu x, dan garis survival
Sumbu y pada kurva survival menuniukkan Persentase survival,
yaitu persentase subyek yang masih bertahan/bebas dari kejadian
yang sedang diamati. Sumbu x pada kurva survival menunjukkan
waktu. Garis "berkelok-kelok" adalah garis survival.
2. Survival rote untuk waktu-\rvaktu tertentu.

Survival rote untuk waktu tertentu bisa diketahui dengan
menarik garis vertikal dari waktu tertentu pada sumbu x sampai
memotong garis survival. Perhatikan gambar berikut.
:
y
:: : ::' :n: :::" : ":.o." :': : : :' : : .^:' :' : : :':: : ::
Jenis obat
obat baru
-fl obat standar
-!'I
-6 o.7 t obatstandar-censored
L
=
E o.4
f
o 0.3
0.
0.t
Gombor 2.2. Coro memperoleh survivol rqle pqdo tohun ke-5
Pada kelompok obat standan survivalrote pada tahun 5 adalah

sebesar 87% sementara pada kelompok obat baru adalah sebesar
967".Dengan cara yang sama, kita bisa mengetahui survivol rote p^da
tahun I sampai dengan tahun 12.
3. Median survival
Median survival adalah waktu di mana 50% subyek mengalami
event- Median survival bisa diketahui dengan menarik garis
horizontal dari sumbu y pada titik 50% sampai memotong garis
survival. Perhatikan gambar 2.3.
I lenis obat
obat baru
0.9
!" I obat standar
d
t obatstandar-censored
L
t,=
E 0.
f
o 0.
0.
0.t
3 4 5 6 7 I 9 t0 il t2
Gombor 2.3. Coro memperoleh medion survivol
Teminologi Suruival
Pada kelompok obat standar, median survival adalah 9 tahun
artinya sebanyak 50% pasien sudah meninggal pada tahun ke-9.
Median survival pada kelompok obat baru adalah I I tahun artinya
sebanyak 50% pasien sudah meninggal pada tahun ke- I l. Median
survival ini dapat digunakan untuk membandingkan survival antar
kelompok. Pada contoh ini, survival kelompok obat baru lebih
baik daripada survival kelompok obat standar. Selain itu, informasi
median survival ini bermanfaat untuk menghitung besar sampel
dalam penelitian dengan analisis survival. Untuk mengetahui
bagaimana cara menghitung besar sampel untuk analisis survival,
silahkan Anda membaca buku seri 2 yaitu buku Besar Sampel
dan Cara Pengambilan Sampel dalam Penelitian Kedokteran dan
Kesehatan, edisi 2, Salemba Medika, Jakarta, 2008.
4. Asumsi proporsional hazard

Proporsional hazard (PH) artinya perbandingan kecepatan
terjadinya suatu kejadian antar kelompok setiap saat adalah sama.
Ciri dari suatu kurva survivalyang memenuhi asumsi PH adalah garis
survival antar kelompok tidak saling berpotongan (gambar 2.4).
Jenis obat
obat baru
-fl!' I obat standar
-
t obat baru-censored
t obatstandar-censored
d
L
0.5
o
E o.4
f
U 0.3
0.
0.t
Gombor 2.4. Kvrvo survivol yqng memenuhi osumsi proporsionol

hozord
:::::::':'!!"1'::-3"":::.":'::'.u:'"'y:':::':::::
Gambar 2.5 merupakan contoh grafik survival yang tidak
memenuhi asumsi survival. Grafik tersebut tidak memenuhi asumsi
PH karena garis survival antar kelompok berpotongan.
Jenis obat
;fl obat baru
-[l obatstandar
f obatstandar-censored
L
o
E
f
U
2.OO 4.00 6.00 8.00 t0.00 t2.00
Gombor 2.5. Grofik Kopplon Meier yong tidok memenuhi osumsi PH
Asumsi PH sangat penting dalam analisis survival. Pentingnya asumsi

ini analog dengan asumsi normalitas data pada analisis parametrik
Analisis yang dilakukan pada suatu fungsi survival yang memenuhi
asumsi PH berbeda dengan analisis yang dilakukan pada fungsi survival
yang tidak memenuhi zrsumsi PH. Survival yang memenuhi asumsi PH
akan dianalisis dengan time indqendentanafysis sementara survival yang
tidak memenuhi asumsi PH akan dianalisis dengan analisis full model aau
analisis reduced model.Berbagai jenis analisis tersebut akan dibahas pada
Bab7,8 dan 9.
r%l
%l
%l
F%l
Gombor 2.6. llustrqsi osumsi proportionol hozord.Podo gombor kiri,
qsumsi PH lerpenuhi kqreno pembolop A selqlu lebih cepoi
dori pembolop B. Podo gombor konon, osumsi PH tidok
lerpenuhi koreno odo sqot pembolop B lebih cepot doriA
don qdo sootnyo pembolop A lebih cepot dori B'
5. Hazard rasio
Salah satu parameter yang penting dalam analisis survival adalah
rasio hazard (untuk selanjutnya disebut sebagai hazard rasio atau
HR). Untuk memahani hazard rasio, marilah kita kembali pada
contoh kasus pada Bab l. Pada Bab I telah dijelaskan mengenai
konsep insiden dan insidens rote. lnsidens rate adalah kecePatan
terjadinya suatu peristiwa yang secara matematis adalah merupakan
perbandingan antara insiden dengan waktu (person time). Nama lain
dari insidens rore adalah hazard.Apabila kita membandingkan dua
hazard,maka yang akan kita peroleh adalah hazard rasio.Sedangkan
bila kita membandingkan dua insiden maka yang akan kita peroleh
adalah resiko relatif (RR). Untuk lebih jelasnya, lihatlah dengan
seksama tabel 2.1.
SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stala

Tabel 2. l. lnsiden, resiko relatif, hazard, dan hazard rasio
Pada tabel di atas, bila kita bandingkan B

terhadapA maka nilai
HR adalah 1,54. Nilai HR ini bisa diterima bila asumsi PH terpenuhi
(lihat kembali pengertian asumsi PH pada halaman l0). Bila asumsi
PH terpenuhi, HR sebesar 1,54 diartikan "setiap saat, kelompok B
lebih cepat 1,54 kali untuk terjadi kematian dibandingkan kelompok
A". Kata "setiap saat" di sini menunjukkan bahwa perbandingan
kecepatan antar kedua kelompokA dan B adalah konstan.
Untuk lebih memahami konsephazard rasio,marilah kita lihat

contoh berikut ini.
Jenis obat
_fl obat baru
-[! obatstandar
t obat baru-censored
6
0.7 t obatstandar-censored
't 0.6
o:
!
0.5
E 0.4
l
o 0.
0.
0.1
0.
0t23456789
' Waktu Survival (tahun)
Gqmbor 2.7. Kuwo Kopplon Meier dengon niloi Hozord Rosio
Tbrminologi Survival
HR pada kurva diatas adalah 2,63 (lK 2,12-3,27).Karena garis
survival tidak berpotongan, maka asumsi PH terpenuhi' Dengan
demikian, dapat diartikan bahwa"setiap saat, kelompok standar 2,63
kali kemungkinannya untuk meninggal dibandingkan kelompok obat
baru". Perhatikan kata kunci "setiap saat". Kita akan membuktikan
pernyataan ini pada bab-bab selanjutnya- (Lihat halaman 49)
B. Gara entri data untuk analisis survival

Sampai tahap ini, kita sudah mendiskusikan beberapa hal penting
yang berkaitan dengan anai lsis su rvival. Sebel um mendiskusi kan ebi h
I
jauh lagi mengenai analisis survival, ada baiknya kita mempelajari

terlebih dahulu bagaimana cara kita memasukal data yang akan
dianalisis dengan analisis survival. Hal ini perlu dibicarakan terlebih
dahulu karena cara entri yang benar akan memudahkan kita dalam
melakukan analisis survival.
Syarat minimal suatu set data bisa dianalisis dengan analisis

survival adalah pada set data tersebut harus ada variabel status dan
person time.Apabila relevan, selain variabel status dan person time,
juga ada variabel bebas. Perhatikan tabel 2-2 (halaman l5)'
a. Variabel stotus
Variabel status menuniukkan status pasien pada akhir

pengamatan. Pada analisis survival, terdapat dua status yaitu event
dan sensor. Event artinya pasien mengalami keiadian yang sedang
diteliti. Sensor artinya pasien tidak mengalami kejadian yang sedang
diteliti. Sensor dapat berupa pasien tidak mengalami kejadian atau
pasien hilang dari pengamatan. Sebagai contQh, bila variabel status
berupa meninggal atau senso[ maka meninggal (event) diberi kode
I sementara variabel sensor diberi kode 0.
b. Variabel person time

Sebagaimana telah dijelaskan pada Bab l, person time adalah
waktu p.ngamadan mulai dari awal Pengamatan sampai dengan
akhir pengamatan. Person time daPat memPunyai satuan berupa
detik, menit, jam, hari, minggu, bulan, tahun dll. Pada contoh tabel
2.2, satuan person time adalah bulan.
:'::': .':: :?.^.": : : :' : :.^:'.:Y.' : : Y:: :::

Tabel 2.2. Cara entri data untuk analisis survival dengan
mengunakan Stata
ti:ii,iB
$$l
$s Alternatif I Alternatif 2
Person time Waktu Bulan Bulan

survival
-'ahnnlrttrl fgai*::l.l:;.:l,t.,:l.:l:tl:.:::.t:ttr:
l.llllil l:rllrl:]1:,:llllril:r,ll
::t:tatlarla:iarrirlta:tal
Variabel Perilaku | : peminum alkohol | : tidak minum

bebas berupa minum 2 : tidak minum alkohol
variabel alkohol alkohol 2 - peminum alkohol
kategorik
dikotom
c. Variabel bebas
Variabel bebas dapat berupa variabel numerik maupun

kategorik. Bila variabel bebas adalah variabel kategorik, buatlah
sistem pengkodean yang konsisten pada kategori pembanding dan
resiko. Kategori pembanding adalah kategori dari variabel kategorik
yang akan dijadikan pembanding bagi kategori lainnya. Umumnya,
yang dijadikan sebagai kategori pembanding adalah kategori yang
tidak beresiko. .
Pada penelitian untuk mencari hubungan antara perilaku
minum alkohol (peminum dan bukan peminum) dengan kematian
Terminologi Survival
pada pasien kanker, variabel bukan peminum umumnya dijadikan
sebagai variabel pembanding karena dianggap sebagai kategori
yang tidak beresiko. Pada saat memberikan kode bagi kategori
pembanding, kita mempunyai dua alternatif.
Alternatif pertama, kategori "pembanding" secara konsisten

diberi kode paling besar. Bila variabel bebas adalah variabel perilaku
minum alkohol (kategorik dikotom), kategori 'bukan peminum
alkohol' diberikan kode 2 karena'bukan peminum alkohol' adalah
pembanding bagi kategori 'peminum alkohol'. Bila variabel bebas
adalah merokok dengan klasifikasi tidak merokok, perokok sedang,
dan perokok berat, maka 'tidak merokok' diberikan kode 3,
'perokok sedang' diberikan kode 2, dan'perokok berat' diberikan
kode l. Kategori 'tidak merokok' diberikan kode 3 karena tidak
merokok akan dijadikan pembanding.
Alternatif lain adalah secara konsisten memberikan kode terkecil
kepada kategori pembanding.Apabila hal ini yang dipilih, mal<a tidak
merokok dan tidak minum alkohol diberikan l<ode l. Perhatikan
kembali alternatif entri data yang tercantum pada tabel2.2.
Jelaskan apa yang dimaksud dengan :
l- Grafik Kapplan Meier

2. Survival rate
3. Median survival
4. Asurnsi proporsional hazard
5. Hazard rasio
6. event dan sensor
7. Kategorik dikotom dan kategorik polikotom
$.' 'takukanlah entri data untuk data berikut dengan program
' .' ,gtAtA. ,, '.',' , l
ANALISIS SURI.IVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

No Diedlemak
rii: . : -ir::,,.irt,r -ir. i.r'r, :ri
I Sensoii'l 2€, .'<40 Seimbang

2 9ens6ry,, t,8 540 Seimbaqg
3i: Sensor le ,,
<40 Seimb,ang
4 Se*Sor: t8 s,40 Seimbani

5 Sensor t6 >40 Tidak,'S€imbang
6 Event t2 >40 Ti&k:ieim,banE

7 Sensor l8 s,40 5ei'r*bang
I Sensoi t8 ,,:<,4.0 s6_lmbani
9 Sensor t,6 <40 Seimbang

ts Event t8 s40 Seirnbang
ll Sensor l',2 <40 Seimbeni

l'2 ,Sens.,-r t2 <40 Seirnbang
t3 Event l4 >40 Tidak seimbang

l4 Event l'2 >40 Seimbang
t5 Sensor: t8 <40 Tidak seimbang
1,6 Senloi r8 i40 Seimbang
l'7 Event t6 >.40 Seimbang
J.8 SenSoa. t8 s4O '' Seimbahg
,J.9 Sensor t,8, <'40 rSeimbang
20 fv,en! t0 ',>,4O SeimbanE:
*::':":::'::"",,
4::
ffiEes?Bhs€at Kaxmra KappEarr HVEe6er

deatgam FrogtrasffB Sta€a
nO
t-t
3 4
s'%r*
B': o 4
&' 5$
:rtr*',fl I
r$..
tr-:l
';l---J'j' T"r.riuan Bab 3:
'{*+o*EFg
Setelah rnembaca Bab 3, dihanapkan pennbaea fflarnpu rnembuat

grafik Kapplan lYeier dengan rnenggunakan prograrn Stata serta
rnarnpu rnelakukan intenpretasi survival rate" median suryiyol dan
asumsi proporsional hazard.
Kinisaatnya kita mendiskusikan bagaimana kita membuat kurva
Kapplan Meierl survival rote, median survivol, dan mengecek asumsi
proporsional hazard dengan menggunakan Program Stata.
A. Mempersiapkan data untuk analisis survival
Untuk mempelajari bagaimana membuat Kurva Kapplan

Meier dengan menggunakan Stata, bukalah file survival-kanker.
dta. Pada Stata terdapat langkah pendahuluan yang harus dilakukan
jika akan mengolah data dengan stata. Langkah tersebut adalah
mempersiapkan data untuk dapat diolah dengan cara analisis
survival. Cara mempersiapkan data untuk analisis survival adalah
dengan perintah stset t, failure(foil) dengan t menunjukkan variabel
person time dan foil menuniukkan variabel status.Jadi,iika t diganti
menladi time dan fail diganti meniadi status, maka perintah stset t,
failure(fail) berubah meniadi stset time, failure(status).
Sebelum sebelum data dipersiapkan untuk analisis survival,

data pada stata adalah seperti gambar berikut.
Pre*erve ll Fsstot*
*.""
-
varg [8] -i f-"
ns st*tus time obat :tadi um
1 1' lrl*n.i ngga 11 Sbet st.: Starli unr
? Flen: nqga 3 ,3bat sta St*di unt

!
3 l,teni nEqa I *bat sta 5tad r tln
4 4 Fleni ngqa 11 iSbat sta Stadi urtt
E
J 5 l,leni ngga 11 Crbat sta 5tq,J'i uxr
6 6 l4eni ngqa 11 *bat sta 5tacll unl
/ l{eni ngqa 4 *bat sta 5tadi um
t} I Fleni nqg& 4 Obat sta \tadr um
$ lileni ngga 4 Ob*t sta Stail'i unr
10 ' 16 l,'!eni ngga 11 '*bat *ta !tad'i unr
Untuk memeprsiapkan data suPaya dapat dianalisis dengan

analisis survival, lakukanlah langkah-langkah sebagai berikut.
::'.':'.': :'-"?:": :::' :'.^:'.Y.' :: Y:: :::

{ 'Klik stotistics
! Pilih survivol onalysis
{ Pilih set up & utilities
! Pilih declore data to be survival-time doto
Akan terlihat tampilan sebagai berikut.
Msin il :l Weidrtc ,Odiffi Ad"nc*d

lme variaHe f] Mdtiple{eqd lD vdiade
t
F€ilure €ved
Fsilda vaiabis Flfuia vales
: 9-l
[f Oo rpl3hs4 d ietlir€ iddffihon

ff Cbd 8t catti'Erg
nmm l.**CIK**l l*Eilcst-*"l f-* ,sbmit*l
{ Pilih time pada kotak time varioble

! Pilih stotus pada kotak foilure varioble
!" Ketik angka I pada kotak foilure volues
Ildt !. : \Jtrigl*r
I
: 6ptim : ldvamd I
lircvairtla flMrnilosdlovainbla
liD
*!si
F.tk e
vairblo:
Fa&.lr Failre vdrs:
dd6vl
n Do iaa $s d $r*€ ihtdo$li8
ilqc#*$uhgi
HTDM
Proses sudah selesai. Klik Ok
Membuat Kurva Kapllan Meier dengan Software Statistik

. stset ti me , fai I u re (status=:1)

failure event: status == 1
obs . ti me i nterval : (0, ti mel
exi t on or before: fai I ure
500 total obs.

O excl usi ons
500 obs. remaining, representing
37O failures in single record/sing'le fai'lure data
472L total analysis time at risk, at risk from t: 0
earliest observed entry t: 0
'last observed exit t = L2
Kemudian, lihatlah dato editor. Pada data editor, akan terlihat

tampilan sebagai berikut.
lP*;]l-!eG;l
Y.rl:[s] = J-*
ttgtui tim obat stddim
1 I Heninq{a. 11 obit ita StaCisx
? ? mani nqgn l Obat rta Stddiun
l I ffefri nq$a l olat sta 5ta,li un
4 4 flrni nggd 11 obdt 5tadr!r
'ta
5 5 I'lrni n'lqe 11 ot'at sta Stadi un
6 6 lrleni nqga 11 obat 5ta Stidi us
i Lleni n{q€ 4 obat 5ta ltadiM
€ B Fleni ngga 4 obat 5ta 5tndi ua
9 9 lt!enir,?ga obd std stadiffi
10 LO Plenr nQ4a 11 4bat 5ta 5tadium
Tampak sekarang telah ada variabel baru yang bernama

-st,
_d, _t, dan _to yang dinamakan sebagai variabel dummy. Dengan
munculnya variabel dummy ini, maka data telah siap untuk dianalisis
dengan analisis survival.
Untuk selanjutnya, perintah mempersiapkan data untuk analisis

survival dapat dilakukan dengan mengetik kalimat perintah pada
bagian commond.
Perintah umum : stset t, failure(fail)
Contoh : stset time, failure(status)
:Y:::::':n!!'.o:::!':::::'ly"^:'.'Y:':::'::::':
B. Membuat kurva Kapplan Meier secara keseluruhan
Untuk membuat kurva secara keseluruhan dengan menggunakan
Stata, lakukanlah langkah-langkah berikut
Untuk membuat kurva Kapplan Meier secara keseluruhan

lakukanlah langkah-langkah berikut.
,/ Klik stotistics
,/ Pilih survivol analysis
,/ Pilih summory stotistics, test, & tables
./ Pilih groph survivor and cumulative hozord function
q;eti
"', iqr," tatq:] t.1y;:qg-r:i:ej;i.i.qeai.4go"1ri[ta;L"ria+r:!rL+- l-s{rer"...tr+ti:
/D Grap! Kaila Fteieuvrfl lrd'd

a Gr@ K6plffil4€ie f€il@ lm[on I-0 Unl! ued to rdtr
'epod
* Gralh Nel$on Aals cumulalive ha?dd function
t) Gr#h tmnothed hardd etiilaie
i Jculat@
il Se@de an dflsent geps al vecitied voi€Hes: lby varidbles]
;--- -----.---.- l
the dirui* b zero !€luer ot adpsMt rdiBHes:
ilAdiult*'-'*^-'-
i*-*-
L* *-* *. --- .-*--*--- . .-- -. , - ."-*-*i
t".iFnr:ij ii i!:r';j:ii i.r!!,tl1r ii ii;jrj i.ii:lt: :ri:.:ii.,:j
:
i-^--***-"**'- ** "**"-*-*:"1
l----** ***-.J
: iri-i,r-r:qli!!i.:{r,4+r:,}36j
Jlthowpoirtwiseesiidencebnrd$
fft*ffi {- oF ..]f-cirF"L.]i- r!,!lft- I
./ Pilih groph Kopplan Meier survivol function poda

function
,/ Proses sudah selesai. Klik Ok
. sts graph
failure _d: status == |
analysis time _c time
MembuatKuntaKapllanr"*r,O::r::Y:r:t:::r:.*3F
Kaplan-Meier survival estimate
analysis time
Sebagaimana dibahas pada Bab 2 melalui kurva Kapplan Meier,

kita bisa mengetahui survivol time untuk waktu tertentu dan
medion survivol, serta mengetahui apakah asumsi PH terpenuhi
atau tidak.
Untuk selanjutnya, perintah membuat kurva Kapplan Meier

keseluruhan dapat dilakukan dengan mengetik kalimat perintah
pada bagian commond.
Perintah umum : sts graph
:':':Y'.',: ::.' :: : : :',: :.^:',:y.' : : y:: ::':

C. Membuat kurva Kapplan Meier berdasarkan variabel
bebas
Untuk membuat kurva Kapplan Meier berdasarkan variabel
bebas dengan menggunakan Stata, lakukanlah langkah-langkah
berikut
,/ Klik stotistics
./ Pilih survivol analysis
,/ Pilih summory stotistics, test, & tobles
,/ Pilih groph survivor and cumulative hozard funaion
iil;; tq-,:9.'iqi,:-rt*-eeu+"t'{li!"*lgs,"Ftg:-+riSeojtru:- -t,ssed,igmq-i.eisi'it,-
i ' & Ot*t' Xu**-ti"i* svivor ldhm *--- 'l

* Grqh K€da+ieier faise lelion ri urls ea n qqrr*
$ Nehm+.ls Mddiw hadd turctim
G!@h
S Gr69h shdhrd hdrdd e$lin{e
lf gwde n d[tqd ffi d wdied vdirll6: {br ysiiltes}

:
l]Adw diroh b:so rsher d.dqffit

nE vdi.bles
'jj
-,--, -*:
':.t
I :!i** r*is: +r :.!!:+ s* il she trituhe cs{ibEe bdds
g{*g "".-"**.-=- __ J
l,: -q(-:.11-€]f:ffi:l
Pilih groph Kopplon Meier survivalfunaion podo funaion
Masukan variabel obat pada kotak seporote on different
groups of specified variable: (by varioble)
il;.3r.r*.1
* Gr.ph Kado+ileier srivd hdih

O Grah Kdds+nds ldtuE ndirft 11,9 iunr\ilsdieEpt.abs
S Gr4fi NdsAilen cwilld* tEHd lsdim
*cEdls.mMhdarddde
H ssFda on dtlad $spr d selEd vaiabl$ ftry vs'i$hsl
i ilAdralllFqin*! gal "4qg itiglll :Tq::

jil ,-_-_-__- ,-*-- _----*-_*-_r-___:J
.r:'i.+i:r LF;i!di
'.l :.!.rde i.i .rl1.r* +q!+: .l :t,*; :*.* --:j:
fi sh* w" o w* g"do sb g*dv;s cdsdsE bdds

=
g{E l,::. st--{-q!!EE:Jffi

,/ Proses sudah selesai. Klik Ok

. sts graph, by(obat)
analysis time _c time
Kaplan-Meier survival estimates, by obat
analysis time
obat = Obat standar obat = Obat baru
Sebagaimana dibahas pada Bab 2, melalui kurva Kapplan

Meier, kita bisa mengetahui survivol tirne untuk waktu tertentu
dan medion survivol,serta mengetahui apakah asumsi PH terpenuhi
atau tidak.
i
Untuk selanjutnya, perintah membuat kurva Kapplan Meier
berdasarkan variabel bebas tertentu dapat dilakukan dengan
mengetik kalimat perintah pada bagian command.
Perintah u-u- : sts graph, by(variable)
Contoh : sts graph, by(obat)
: ::: : ::':'I :
: : 3." :": : : : : .^:',
:y :' : : :':: : ::
i1.::l';i:'::1,::i,::+1.::
i'::r;l!.:ii=::::
Memperoleh Hazard Raeio

dengan program $tata
I ?
ffiffi
4
Pada bab ini akan dibahas bagaimana cara memPeroleh nilai
hazard rasio dengan menggunakan program Stata.
Sebagaimana telah diielaskan pada Bab 3, kalau kita akan

melakukan analisis survival dengan menggunakan Stata, kita harus
mempersiapkan data tersebut untuk siap dianalisis dengan analisis
survival. Dengan demikian, sebelum memperoleh nilai HR, kita harus
mempersiapkan data terlebih dahulu sebagaimana yang telah Anda
pelajari pada Bab 3.
{ Bukalah data survival-rokok.dta
,/ Siapkan data untuk analisis survival dengan perintah berikut
. stset time, failure(status) sebagaimana telah dipelajari pada
bab 3
Untuk menampilkan nilai HR, lakukanlah langkah-langkah

berikut.
{ Klik stotisrics
,/ Pilih survivol onolysis
{ Pilih regression model
\/ Pilih cox proportionol hozord model
il Fit model Hithout mvdridtes
*gtrenr l,{edr-'i t! iddl. iFd la*se,
stsla lD vadBblesl
fu} Bteslow
* Etron
..-. .''' ---.;

Shnred hriltt lD vEriEble: {1 Eract marqinal likelihood
* Eiet part;sl likEllhood

i---- - -- -.---- - :::
0llset variable:
- '-- -ti
__"_i
_l
ffiffis, f- oK -_-] f-c"-" f::,911-]
,/ Masukan variabel rokok ke dalam kotak independent

varioble
\f Ketik i. di depan variabel rokok
NALIS$ SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

I
Model j Time varyine 4l,v;n j: SE/Hobu:t * Feportingi Feporring ?

]!
j Max optionsi
lndependent variables I- 5rr"r"-lEttl"q- -l

: i.roksk &;
f] Fit model without covariates
0ptiant |,lethad io liandle lied iailures
Strata lD variables:
q:i Breslow
.]\i:;
.I L[On
Shared frailty lD variable: S Exact marginal likelihood
i :Si * Exact partial likelihosd
0llset variable:
r_ --.^-- -*--""*"--i::
i j!*i
t
I
i
I
1,,_-.__
ffiffiH { qK-l t _q"!q{I {--sqbilr.-]

t/ Proses sudah selesai. Klik ok.
. xi:stcox i.rokok
i . rokok -Irokok-0-1- (natura'l1y coded; -lrokok-0 omitted)
failure status
analysis time -d:
-t: time
Iteration O: 1og likelihood: -2150.8691
rteration l-: 1o9 likelihood: -ZLLO.O5L7
Iteration 2: 1og like'lihood: -21-1-0-0401-
Refini ng estimates l
Iteration 0: 1og likelihood: -21-1-0-0401
cox regression -- Breslow method for ties
No. of subjects = 500 Number of obs = 500
No. of failures : 37O
-r'ime at risk
= 472L
LRchi2(1) = 81-.66
rog likelihood = *21-10.0401 Prob>chi2 =0.0000-
_t I Haz.Ratio std.Err. z P>lzl 195% conf. Intervall

=--+---------
_rrokok-1 I 2.633647 .2889513 8.83 0.000 2.a24O64 3.265483
Memperoleh Hazard rasio dengan software statistik

Hazard rasio dapat diketahui pada kolom Haz- Ratio
seementara interval kepercayaannya dapat diketahui dari kolom
195% conf.lntervall. Nilai HR dan interval kepercayaannya adalah
2,63 (1K95%2,12-3,27)
Untuk selanjutnya, perintah membuat hazard rasio dapat

dilakukan dengan mengetik kalimat perintah pada bagian
commond.
Perintah umum : xi:stcox i.categoricvariable
Contoh : xi:stcox i.rokok
:
'""!.'"Y'.i"::'3::"::::':'.^:':Y.'::Y::::':,
l-l*! ; ) w*ru uwd irml
&iv;iii:l*s |]$*qioteal Crvaiidtdi:
ChmgP Csntr*t
--;-l change
-nnlistl
l
{u,0""* i
Beterem teleguy 1' Last tr* F[st

A, Persamaan dari analisis survival: hazard function
dan survival function
Salah satu keluaran dari analisis survival adalah suatu
persamaan. Persamaan ini bisa digunakan untuk memprediksi
kemungkinan subyek bisa survive pada suatu waktu tertentu serta
untuk mengetahui kecepatan terjadinya kematian pada waktu
tertentu. Persamaan pertama disebut sebagai survivol function
sementara persamaan kedua disebut hazord funaion.
Rumus umum untukhozord funaion dan survivolfunaion adalah

sebagai berikut.
H(t) = Ho(t)ev (persamaan l)
S(t) = So(t)G"rr (persamaan 2)
Dimana,
H(t) = hazard pada waktu tertentu
Ho(t) = baseline hazord pada waktu tertentu
S(t) = survival pada waktu tertentu
So(t) = baseline survivolpada waktu tertentu
e bilangan natural = 2,7 14
=
Y = b,x,+brxr*brxr*.......+bnxn (persamaan 3)
B. Membuat persamaan dengan menggunakan

program stata
Langkah-langkah untuk memperoleh persamaan dari analisis
survival sama dengan langkah-langkah pada Bab 4. Perbedaannya
adalah pada bagian iniada penambahan perintah untuk menampilkan
koefisien, baseline hazard dan baseline survivol yang berguna untuk
membuat persamaan hazard dan persamaan survival (lihat
persamaan I dan persamaan 2 di atas).
l. Menampilkan nilai koefisien
Untuk mendmpilkan koefisien, lakukanlah langkah-langkah
berikut
\/ Klik stotistics
,/ Pilih survivol anolysis
L':'::',:T',:'.::::':::::::'.^:',::',:::':::::
{ Pilih regression model
Pilih cox proportional hazard model
^/
--7 ll-liiliilll--r
I
I lulvrYdr sE(trrus... I
: .*il
il Fit model without covarrates
0Pl:ons l 1 ailrod td hdndie ie,J leikses
,
--*--
Shala iD vaiableo
.,f,.
i ; Ltron
Shared frdilty lD vnriable: $ Eract merginal likelihood
- -------"-*'-,*ll * Erect partial likelihood
'-"--
:..--- '-.'*-.ci
0lfset variable;
Hffiru f: q( .-l t-lirsl-l t--qy!s*J
{ Masukan variabel rokok ke dalam kotak independent

variable
{ Ketik i. di depan variabel rokok
t;r;'[G_r-^."1*:_qrlip j.+t_t"oyl],lt"gry;n;fi"s_e$!.1"F1"j
-l 1
lndependentvariables f_ilGGFGJ i
1..;i---,'=---:-. :_ _,_
I Fit model withoul covtsrides
Dpt;sDt Melhod to handle tied lailures
Shota lD variables:
L1) Breslow
*Etron
Shared frailty lD variable: ;} E xaci marginal likelihood
i*-""'-'_-" _-_""'_- *::t::l
i i$l fi Exact partial likelihood
0lfset variable:
,*r
HmH i-- nrt : f

-c."l".|I
i--9r'bl'r'. l
{ Pilih kotak reproting. Akan terlihat tampilan sebagai
berikut.
Persamaan yang diperoleh analisis sut'vival

{*--qr.-t !qf"4 .-j{ 9,qr't.l
{ Klik pilihan report coeficient, not hazard ratio.

terlihat tampilan sebagai berikut.
:*_ 1?"#; Confidence level

fi Fleport coefficients. not hazard ratios
fi Do not sho'r, st setting inlormation
I
!
;
i
l
t*----* _ _i
ffiffiffi [: qK-- l fG@-l {-::$!]ar l
,/ Proses telah selesai, klik OK.
ANALISIS SURI/IVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

{ 'Akan terlihat tampilan sebagai berikut.
. xi: stcox i.rokok, nohr

i . rokok (naturally coded; _rrokok-O on'itted)
-rrokok-0-1
failure status == 1
analysis time -d: time
-tr
Iteration 0: log likelihood = -21-50.8691
Iteration 1: 1og likelihood = -2LLO.O5t7
Iteration 2: 1og likelihood = -21-l-0.0401-
nefining estimates:'
rteration 0: 1og likelihood = -2110.0401
No. of subjects = 500 Number of obs 500
ruo. of failures = 37O
-rime at risk = 472L
ln chi2(1) = 81-.66
log likelihood = -2110.0401 prob > chi2 = 0.0000
-t I coef. std. Err. z e>lzl [95% conf. rnterval]

-----------+
-rrokok-1 | .9683695 .1097153 8.83 0.000 .7533315 1.183408
U ntu k selanj utnya, peri ntah mem buat koefi sien dapat d i laku kan
dengan mengetik kalimat perintah pada bagian commond.
Perintah umum : xi:stcox i.categoricvariable, nohr
Contoh : xi:stcox i.rokok, nohr
i nterpretasi
Rumus umum untuk nilai y pada persamaan survival dan hazard

adalah sebagai berikut.
Y = b,x, +b2x2+b3x3+.......+bnxn (Persamaan 3)

Nilai b untuk masing-masing variabel dapat diketahui dari
kolom Coef. Dengan mengganti nilai b dengan nilai pada kolom
Coef, persamaan yang diperoleh adalah sebagai berikut.
Persamaan yang diperoleh analisk survival

Y = 0,968 (perilakumerokok)
Dengan mengganti nilai y pada persamaan hazard,rumus hazard

funaion adalah sebagai berikut.
H(t) = Ho(t) er (Persamaan l)

(perilakumerokok)
H(t) = Ho(t) eo'ttt
Dimana,

Ho(t) = boseline hozord pada waktu tertentu
Perilaku merokok = 0 bila pasien bukan perokok
Perilaku merokok =I bila pasien adalah perokok
Dengan mengganti nilai y

pada persamaan survival, rumus
survival funaion adalah sebagai berikut.
S(t) = So(t) G"rr (Persamaan 2)

(perilakumerokok)
S(t) = So(t)*o'"t
Dimana,

So(t) = boseline survivol pada waktu tertentu
Perilaku merokok = 0 bila pasien bukan perokok
Perilaku merokok =I bila pasien adalah perokok
2. Menampilkan boseline hazard dan boseline survivol

Sampai tahap ini, kita telah membuat persamaan hazard dan
persamaan survival. Pada kedua persamaan tersebut, diperlukan
informasi boseline hazard (h0) serta boseline survival (s0). Oleh
karena itu, kita harus mencari berapa nilai boseline hazord serta
boseline su rvival.Untu k memperoleh ked ua ni lai tersebut, laku kan lah
lagkah-langkah sebagai beri kut.
,/ Klik stotistics
suRWVAL: Dasar-Dasar Teori dan Aplikasi program stata

@
\.G'
Pilih regression model
Pilih cox proportionol hazord model
lndependant variables i:!'{r@

I Fii model without covariates
0Elirnr Meih*d lo handle tied failuea
Strata lD variables:
i6l Frerrnu
'1
''-'---.
*:
U ttron
. Shared friilt!' lD variable: .] Eract marqinal likelihood
. i- , -** --," ,.ifu fi Exact partial likelihnod
: 0llset viliablg:
'l .sa
gffiH I oE --l Lri!"qf I l.

-qr!f.rt l
'/ Masukan variabel rokok ke dalam kotak independent

vorioble
,/ Ketik i. di depan variabel rokok
lndependent variables: f s!'Il"ittrttllqi- ]

,__-_--*-,-_'.-_-_- _.'i
lGe( :9.:l
il Fit model without covdiates
Dptirn: - l',lethod to handle tied failLres
: Strata lD variables:
$ Breslcw
r:€;
i"r L[on
Shered fiailg lD variable: $ Erect marginal likelihood
l__:_= li Eraci partial likelihood
0ffset variable:
I _-'t!
ggg t- _q{- ]l t 'rer."€lll l- =qr,!rtr:
Persamaan yang diperoleh analisis survival

./ Pilih kotak reporting2. Akan terlihat tampilan sebagai
berikut.
Cumulative baseline hezard:
Edseline survival funchon:

----'------'"---i
Ketik h_rokok pada kotak cumulotive boseline hozord

Ketik s_rokok pada kotak boseline survival function.Akan
diperoleh tampilan sebagai berikut.
.Sip1il {jc{6i*tngIllgs"rreiHepnrlns2uel:g'"*."-*
G*reral* *ew vaiat'Jes
Partial martinqale residuals llumulative baseline hazatd
1a
--" ' -j
:' iriii*--
Baseline hazatd csntributions Baseline sutvivel function:
;;;kJ-"--*"--:
I - --------------,.-.--:
E stimated log{railties:
;---*---.-*]
:- --*
,- - -.- ,- .
-.
i
Fartial efficient srora residuals: [e.q.. esr"]
Schoenfeld residuals: {e9., sch.J
5 calad 5 choenf eld residuals [e.9.. sca-]
MH€ j l f- J,,b4 I
oft
-lI r?*-l-
Y . :: : ::':'I : .'"":": :::' !:' "o:'"'Y:' : : :':: ::':

Proses telah selesai, klik OK.
. xi: stcox i.rokok, nohr

i.rokok _rrokok_0-1 (naturally coded;
-trokok-o omitted)
failure _d: status == 1
anal ys'is ti me _t : ti me
Iteration 0: log like'lihood = -2150.8691
Iteration l-: log likelihood : -2LLO,O5t7
Iteration 2: log I i kel i hood : -21-10. O40l-
nefining estimates:
fteration 0: log likelihood = -21-10.0401

tto- of subjects = 500 Number of obs 500
No. of fai 'l u res = 370
-rime at risk 472L
LR chi 2 (1) 81-. 66
Loq likel-i hood -2110.0401 prob > chi2 0.0000
I Haz. natio std. Err.

-t f----------- z e>lzl 195% conf. rntervall
_rrokok_l- | 2.633647 .2889513 8.83 0.000 2.L24O64 3 .265483
Tampilan tersebut sama dengan tampilan pada perintah

meminta hazard rasio.Adapun boseline hozard dan bosefine survivol
dapat kita lihat pada data editor. Pada data editor, kita akan
memperoleh tampilan berikut.
{per j{ Gqrtl i
Variabel s_rokok adalah variabel boseline survivol sementara

h_rokok adalah variabel boseline hozord.
': : :: ::' .' : ?.1:": :":^.:' :': : ."* i" " :(fY
-l
]
Untuk selanjutnya, perintah membuat baseline Hazard

dan bosellne survivol dapat dilakukan dengan mengetik kalimat
perintah pada bagian command.
Perintah umum : xi :stcox i.categoricvariable,
base chazard (va ri abl e)
basesurv(vari abl e)
Contoh : xi: stcox i.rokok, basechazard(h-
rokok) basesurv(s-rokok)
Nama variabel boseline Hozord dan bose/ine survivoladalah

bebas.Yang penting, nama tersebut dapat mengingatkan kita
bahwa variabel tersebut adalah variabel bose/ine survivol dan
boseline Hozord berdasarkan variabel tertentu. Pada contoh
ini, nama variabel baseline Hozord adalah h-rokok. Hurup
"h" adalah untuk mengingatkan bahwa variabel tersebut i
adalah variabel boseline Hozard (h diambil dari kata Hazard) l
I
sementara kata "rokok" adalah untuk mengingatkan kita

1
ij
bahwa variabel tersebut adalah baseline Hazard variabel I
t
I
merokok. !
I
Variabel baseline Hazord dan boseline survivaltelah kita dapatkan

pada data editor. Untuk menampilkan nilai baseline Hazord dan
boseline survivol untuk tiap waktu tertentu, lakukanlah langkah-
langkah berikut.
./ Klik stotistic
./ Pilih summories, tobles, &test
,/ Pilih tobles
,/ Pilih oneltwo woy toble of summory stotistics. Akan diperoleh
':::::'"':.'::':::::::'::'.^:'":y:':::':::::
Variable 2: Ioptionall
.,Stri :.r{ii
Summarize variable:
si
Iutput
Summery table llther
LJ 5uppress medns
f] Show numeric codes, not labels
I Suppress standard devietions

ll] Dr not break wide table*
f] SupFress hequencie:
ll l Suppress number of nbr.

i
i
i
f Treat missing values as categories
i
"--i
ffimffi T oK I t- c"""'r -l f-s"b't --l
Masukan variabel time ke dalam vorioble I
Masukkan variabel h_ rokok ke dalam summarize
vorioble
Kl i k pi I i han suppress sta n d a rd d evi oti on, suppress frequ encies,
suppress number of obs

Akan terlihat tampilan sebagai berikut
__$
Summari:e variable:
0utpul
Summary table 0ther
I Suppress meanr
I Show numeric codes, not labels
P Suppress standard devialions

I Da not break wide tables
ffi Suppress lrequencies

:
Suorc* *mbet
; H
of obs.
l] Treat misring ralues ae categories
Hffiffi { qr!.::i .c"q*t -Il- -Errlqr.r. 1
./ Proses telah selesai, akan terlihat tampilan sebagai

berikut.
Persamaan yang diperoleh analisis survival (tu

. tabulate time, summarize(h-rokok) nostandard nofreq
noobs
summary of
cumul ati ve
basel i ne
hazard
ti me Mean
------------+ -_--.,;;;;;;;
1
2 .0088s487
3 . brsggzsz
4 .02937925
5 .05060304
6 .06L7297
7 .LO315574
8 .L7L86913
9 .29050644
10 .54L84279
1-1 .73083707
L2 .73083707
---T-----
rotal I .;;;il;;
Untuk menampilkan tabel boseline survival, dapat dilakukan
prosedur yang sama dengan prosedur menampilkan bose/ine
Hazard. JikaAnda melakukan prosedur dengan benar, maka Anda
akan memperoleh hasil sebagai berikut.
tabulate time, summarize(s-rokok) nostandard nofreq
noobs
Summary of
basel i ne
su rvi vo r
ti me Mean
1 .996688s8
2 .99La2926
3 .981_01_099
4 .970768L2
5 .94990002
6 .93930927
7 .89947523
8 . 83 51_8065
9 .72787889
1_0 .5L3273
1_1 .40830729
L2 .40830729
:::' :'.o!:y:' ::y:: ::: ,

Dengan melihat kedua tabel di atas, kita mengetahui bahwa
boseline hazord pada tahun pertama adalah 0,0033, pada tahun kedua
adalah 0,0088, pada tahun ketiga adalah 0,0189 dan setersunya.
Sementara itu, untuk boseline survivol pada tahun pertama adalah
0,9966, pada tahun kedua adalah 0,991 l, pada tahun ketiga adalah
0,9810 dan seterusnya. Nilai boseline Hazord dan bose/ine survivol
ini berguna untuk menghitung hazard dan probabilitas survival
untuk subyek tertentu dengan menggunakan persamaan hazard
dan persamaan survival.
..:
:
Untuk selanjutnya, perintah menampilkan boseline hozard dan :
I
bose/ine survivol dapat dilakukan dengan mengetik kalimat t
perintah pada bagian commond. :

!
1
Perintah umum :
tabulate t, summarize(baseline survival variable) nostandard
nofreq noobs
tabulate t, summarize(baseline hazard variable) nostandard
nofreq noobs
Contoh :
tabulate time, summarize(s-rokok) nostandard nofreq noobs :
tabulate time, summarize(h-rokok) nostandard nofreq noobs ,
C. Mengaplikasikan persamaan
Marilah kita gunakan persamaan yang telah kita peroleh untuk
menghitung hazard dan probabilitas survival pada pasien dengan
karakteristi k beri kut.
I.,.',;$er4pakah hazard dan probabilitas survival pada tahun ke

..'.,-5,.}ik1 pasien bukan perokok?'
t-'Bel:apakah,,hazard dan probabilitas survival pada tahun ke
' ,: "5.jika:pasigq perokok?
pada tahun, ke
pada tahun,ke
Persamaan yang diperoleh analisis sut"yival

Mariliih kita iawab Pertanyaan tersebut satu demi satu-
l. Hazard dan probabilitas survival pada tahun ke 5 jika pasien
bukan perokok.
a. menghitung hazard
Rumus hozard function adalah:
H(t) = Ho(t) eo'ets (perilakumerokok)
H(t) = hazard pada waktu 5 tahun
Ho(t) = baseline hozard pada waktu 5 tahun = 0,051 (lihat
survivol toble Pada outPut)
Perilakumerokok = 0 karena pasien bukan perokok
Dengan demikian
H(5) = 0,051 eo'e68(o) = Q,Q$l
Dengan demikian, hazard pasien yang bukan perokok pada
tahun ke lima adalah = 0,051
b. menghitung probabilitas survival

Untuk survivol function, rumusnya adalah:
S(t) = So{t)""o'"t (perilaku nerokok)
S(t) = survival Pada waktu 5 tahun
So(t) = bose/ine survival pada waktu 5 tahun = 0,950 (lihat
survival toble Pada outPut)
Dengan demikian :
(perilakumerokok)
S(t) - So(q""o'ttt
(o)
S(5) = Q,!$'Seô'e68
= 0.950
Dengan demikian, probabilitas survival pasien bukan perokok

pada tahun ke lima adalah = 0,950
2. Hazard dan probabilitas survival pada tahun ke 5, jika pasien

perokok.
Rumus hazord funaion adalah:
H(t) = Ho(t) e0'e6e (perilakumerokok)
H(t) = hazard Pada waktu 5 tahun
Ho(t) = baseline hazard pada waktu 5 tahun = 0,051
Perilakumerokok = I karena pasien perokok
Dengan demikian
H(5) = 0,051 eo'e68 (r) - 0,1 34
Dengan demikian, hazard pasien perokok pada tahun ke
lima adalah = 0,134

Untuk survival function, rumusnya adalah:
S(t) = So{t)""o'ttt (perilakumerokok)
S(t) = survival pada waktu 5 tahun
S0(t) = boseline survivolpada waktu 5 tahun = 0,950
Perilakumerokok = I karena pasien perokok.
Dengan demikian :
(perilakumerokok)
S(t) = $o(1)eô'rsa
S(5) = Q,t$Qeô'e68 (r)
= 0,874
Dengan demikian, probabilitas survival pasien perokok
pada tahun ke lima adalah = 0,874
3. Hazard dan probabilitas survival pada tahun ke 8, jika pasien

bukan perokok.
Rumus hazard function adalah:
H(t) = Ho(t) e0'e68 (perilakumerokok)
Ho(t) = boselrne hazord pada waktu 8 tahun = 0,180
Dengan demikian
H(5) = 0,180 eo'e68(o) = 0,180
Dengan demikian, hazard pasien bukan perokok pada tahun

ke delapan adalah = 0,180
Untuk survival function, rumusnya adalah:
S(t) = So(9""0'"t (perilakumerokok)
Persamaan yang diperoleh analisis survival

S(t) = survival pada waktu 8 tahun
S0(t) = boseline survivol pada waktu 8 tahun = 0,835
Dengan demikian :
(perilakumerokok)
S(t) = So(t)'"o'ttt
S(8) = 0'835eô'e68
(o)
= 0,835
Dengan demikian, probabilitas survival pasien bukan
perokok pada tahun ke delapan adalah = 0,835
4. Hazard dan probabilitas survival pada tahun ke 8, iika pasien

perokok.
Rumus hozord funaion adalah:
H(t) = Ho(t) eo'ets (perilakumerokok)
Ho(t) = baseline hozard pada waktu 8 tahun = 0,180
Dengan demikian
H(8) = 0,180 eo'e68 (r) = 0,473
Dengan demikian, hazard pasien perokok pada tahun ke
delapan adalah = 0,473

S(t) = So{t)'"o'ttt(perilakumerokok)
S(t) = survival pada waktu 8 tahun"

SO(t) = baseline survivol pada waktu 8 tahun = 0,835
Dengan demikian :
(perilakumerokok)
S(t) = So(t)""o'"t
S(5) - 0,835"0'sae (t)
'=
0,624
Dengan demikian, probabilitas survival pasien perokok
pada tahun ke delapan adalah = 0,624
:-.::::::'!.i'::!::'::::':';"n:':y:':::':::::
Jawaban empat pertanyaan di atas dapat dirangkum ke dalam tabel
5.1 berikut.
Tabel 5.1 . Nilai hazard dan probabiltas survival pada tahun

ke lima dan delapan.
D. Pembuktian HR adalah konstan
Marilah kita hitung nilai hazard rasio antara pasien perokok

dan bukan perokok pada tahun ke lima dan tahun ke delapan.
Nilai HR adalah perbandingan antara hazard kelompok merokok
dibandingkan dengan hazard kelompok bukan perokok.
Tabel 5.2. Nilai hazard rasio pada tahun ke lima dan

delapan.
0, I 3410,05 l0 : 2,63
0,473/0,1800: 2,63
Nilai HR tahun ke lima adalah sebesar 2,63 dan begitu juga

nilai HR pada tahun ke delapan. Bila Anda menghitung nilai HR
pada tahun pertama, tahun ke dua, tahun ke tiga dan seterusnya,
Anda akan mendapatkan nilai yang konstan yaitu sebesar 2,63.
Pembuktian ini membuktikan bahwa interpretasi HR 2,63 adalah
"setiop soot, kemungkinan meninggal pada pasien merokok adalah
2,63 kali dibandingkan dengan pasien yang tidak merokok".
(Perhatikan kata kunci setiop soot).
, \"
"::::::".'::r.o::"::'":.'"':"'.':'":::'.*9;n
I 'l '
EFr:'''..,'.,,-:.:;,.-,'.'.:,.:'.,1i'.......n,::,.1;..,.it._.:',,i.,t,,,.,',,,.
l
Dengan',nne naf trii*uq lafil,e,.*epcitt',y.ang,,

,bUs*fin'e.lat
telah kita peroleh, jarrablah pertanyaan-pertanyaan berikut
ini.
+;. '.$*dFnk*h'l*+rtldu -
di i;*
3, jika pasien perokok?
2; ,Berapakah* ia prub+U siirvi#,paaaiaM'r<e,
. "3;,jika,p*si*6.5q .pgfb${i',,..,,i',,,.., ':i,,,, :,,:'t
,,1:,,'t.,
3"',Berapakahlnilai,Flft pada.aihunike;}1,11',,'-.,,,".., t'r' 1', r
,.,t
'.".i'!T'.i":'.':::::::'::'.^:'"*::':::':::::
Ti*:.
i_,1 ffiiItffiiffi*1,:,,,
gls!w:i: . r' '
i-: -l Sffiit-
.etta&li?s f,6teqoried f,siside*:

'...,'.-.l-
3::
.,,., . . t t
l1;u.l
--J ,l
ll
r.,l I
atii.rl:r.ril:' !
l::ar:la:.lr J
:riiat::ir: I "
Lonhmt:
{r.d."' :l :EH_J
iririrrt:.ial, {
€L!*t,, ,i'rlnr ' ,l
l;irr:tr :'3 itn*1ir*i,ee1qq,lii,
A. Langkah-langkah analisis survival
Sampai saat ini, Anda sudah mengenal beberapa hal penting
yang berkaitan dengan analisis survival.Tibalah saatnya sekarang
untuk membahas langkah-langkah teoritis bagaimana melakukan
analisis survival.
Analisis survival terdiri dari tiga langkah utama yaitu pengecekan
asumsi proporsional hazard (PH), analisis bivariat dan multivariat.
Berikut ini adalah rincian dari langkah-langkah tersebut.
l. Pengecekan asumsi PH
Sebagaimana telah disampaikan pada Bab 2, asumsi PH dapat
diketahui dengan membuat kurva Kapplan Meier. Metode lain
untuk menguji asumsi PH adalah dengan membuat kurva -/n
In survival dan global test.Asumsi PH terpenuhi apabila:
a. Garis survival pada kurva Kapplan Meier tidak saling
berpotongan.
b. Garis survival pada kurva -ln ln survival tidak saling
berpotongan
c. Nilai p pada uji globol test lebih besar dari 0,05.
Mungkin terdapat beberapa variabel yang memenuhi asumsi
PH dan beberapa variabel tidak memenuhi asumsi PH.
Perlakukan pada variabel yang memenuhi asumsi PH berbeda
dengan variabel yang tidak memenuhi asumsi PH.
2. Bivariat dan penilaian HR

Untuk variabel yang memenuhi asumsi PH, analisis bivariat
dilakukan dengan analisis cox regression sebagaimana
dicontohkan pada Bab 4 Untuk variabel yang tidak memenuhi
asumsi PH, analisis cox regression tidak bisa dilakukan.
3. Analisismultivariat
Variabel yang masuk analisis multivariat adalah variabel yang
pada analisis bivariat mempunyai nilai p<0,25. Selain itu, variabel
yang tidak memenuhi asumsi PH dan secara teoritis PentinS'
harus dimas,ukan ke dalam analisis multivariat. Bila semua
variabel memenuhi asumsi PH, maka analisis multivariat yang
dipilih adalah analisis time independen cox regression. Apabila
terdapat variabel yang tidak memenuhi asumsi PH, maka dapat
dilakukan analisis cox regression full model atau cox regression
redaced model. Kita harus memilih manakah analisis yang lebih
baik, apakah full model atau reduced model. Model analisis
multivariat ini akan dibahas pada Bab 7 (time independen cox
regression ), Bab 8 (cox regression full model) serta Bab 9 (cox
regression reduced mode[).
4. lnterpretasi hasil
Setelah menyelesaikan analisis survival, kita melakukan
interpretasi hasil. Beberapa hal yang dapat kita simpulkan dari
analisis survival adalah sebagai berikut
a. Variabel yang berhubungan dengan variabel tergantung
dengan melihat nilai p dan interval kepercayaan dari HR
pada masing-masing variabel. Dikatakan berhubungan jika
nilai p kurang dari 0,05 dan pada interval kepercayaan
tidak ada angka l.
b. Urutan kekuatan darivariabel-variabelyangberhubungan
dengan variabel tergantung. Pada analisis survival, urutan
kekuatan dilihat dari besarnya nilai HR.
c. Model atau rumus untuk memprediksikan hozord function
dan suryiyol funaion.
Untuk hazord function, rumusnya adalah :
H(t) = Ho(t) er
Y = b,x, +brxr*brxr*.......*bn"n

S(t) = So(t)G"rr
S0(q = boseline survivol pada waktu tertentu
Y = b,x, +brxr*brxr*.......*bn"n
5. Mengaplikasikan persamaan yang diperoleh untuk menghitung
hazard dan probabilitas pasien. Aplikasi sederhana dari
persamaan iurvival telah dibahas pada Bab 6.
Langkah-langkah analisis survival dapat diringkaskan dengan
alur sebagai berikut.
Langkah- Langkah A naI is is Surv ival

Pengujian asumsi
PH
Semua variabel memenuhi Sebagian variabel tidak

memenuhi asumsi PH
Analisis bivariat:
Analisis bivariat:
Analisis cox regression
analisis cox regression
untuk variabel yang
memenuhi asumsi PH
Analisis multivariate: Analisis multivariate:

Variabel yang pada analisis Variabel yang pada analisis
bivariat mempunyai nilai bivariat mempunyai nilai
p<0,25: p<0,25 dan variabel yang tidak
Analisis cox regression time memenuhi asumsi PH yang
independen secara klinis penting
Analisis cox Analisis cox

regression full regression
model reduced model
lnterpretasi
L Variabel yang berhubungan
dengan variabel tergantung Pilih mana analisis
2. Urutan kekuatan hubungan yang lebih baik
3. Hozord function don survivol
Gambar 6. l. Alur analisis survival
B. Pengecekan asumsi proporsional hazard

Pada analisis survival, pengecekan asumsiproporsional hazard
adalah langkah yang penting karena akan menentukan jenis analisis
apa yang akan digunakan (lihat kembali grafik 6.1). oleh karena
itu, pentinglah kiranya bagi kita untuk mengetahui bagaimana kita
mengetahui apakah asumsi PH terpenuhi ataukah tidak.
Telah disampaikan sebelumnya bahwa prosedur pengecekan PH

dilakukan dengan tiga metode yaitu metode kapplan Meien metode
'::::':':':'.'::::"::.":'::.^:::y:'::1::"'::"
-ln ln survival,dan metode global test. Pada bagian ini, kita akan
mempelajari secara lebih detail mengenai masing-masing prosedur
pengecekan asumsi PH. Pada contoh berikut, kita ingin mengetahui
apakah fungsi survival berdasarkan variabel obat memenuhiasumsi
PH atau tidak.
l. Pengecekan asumsi PH dengan menggunakan metode Kapplan

Meier
Untuk mengetahui apakah fungsi survival berdasar variabel
obat memenuhi asumsi PH, buatlah kurva Kapplan Meier
berdasarkan variabel obat. Prosedur ini telah dipelajari pada
bab 3.JikaAnda melakukan prosedur dengan benar,Anda akan
memperoleh kurva sebagai berikut.
a Kaplan-Meier survival estimates, by obat

q
o
r
;
Io
analysis time
obat=baru **- obat=standar
Karena garis survival tidak berpotongan, maka asumsi PH

berdasarkan metode Kapplan Meier terpenuhi.
2. Pengecekan asumsi PH dengan metode -ln ln survivol

obat memenuhi asumsi PH, buatlah kurva -ln ln survivol.
Langkah-langkahnya adalah sebagai berikut.
,/ Klik stotistics
./
tu
Pilih survivol analysis
Langkah-Langkah Analisis Survival

Pilih regression model
Pilih grophically ossess propprtionol hozord
ossumption
,/ Akan diperoleh tampilan sebagai berikut
r:'::i:r:: i! :,:,,:ji::.:il r.::it!::: i'! :::1r,.::iii:::; ii 1-:ri!ll::l

::,i::,,:: :r r-r.: .ii:ri+:. i:,; :!:::;:ir!:i'.,i,.,:il;:it::l
./ Masukan variabel obat ke dalam kotok independent

varioble
M"* i:l- i-ki"-l'- i!{elsh-T1lt.i3t-{tq

- ---!rqti* l-!:ryi-:-rysdi*--
l;. Fit separate Cor models
:) Fit strdtitied CBH mEdel
Independent vaiiable:
:- _*_*
:obtst i*:
, lf .Adiust Bstimates :
:1"""'-'-*""- --"- .- - ..^t

il
.l::jjt::il :!l ;:f,i:*ir r:iri=;, :i :jit:::Tr:r: .:,::::i,!+i,
!,:! :tur:+ :i;i;:::. :i irlir:;lli:-t:l r:i:,rll:l'l:

=+i!::l
Proses telah selesai. Klik OK.Akan diproleh tampilan

sebagai berikut
. stphplot, by(obat)
analysis time _t time
::-:'::::':'::'.:":::1":"::.":',::"',::y:':::':.'::.
$+
.o
o6o
{L
E c.t
.:
a-
c
Eo
-i
.511.52
ln(analysis time)
_____+_ obat = baru __-#_ obat = standar
Karena garis survival tidak berpotongan, maka asumsi PH

berdasarkan metode -ln ln survivol terpenuhi.
Untuk selanjutnya, perintah pengecekan asumsi PH dengan

metode -ln In survivol dapat dilakukan dengan mengetik
kalimat perintah pada bagian commond.
Perintah umum : stphplot, by(variable)
i
i
:
:
!
Contoh : stphplot, by(obat)
3. Pengecekan asumsi PH dengan globol test

obat memenuhi asumsi PH, lakukanlah globoltest. Langkah-
langkahnya adalah sebagai berikut.
,/ Klik stotistics
./ Pilih regression model
./ Pilih cox proportionol hozord model
Langkah-Langkah Analis is Suryival

l4nth0d t0 hnrdld lisd f€ilur*t
{S Breslow
f rmn
* EB€ct marqiEl likelihdod
1-
- - ---*';:
Shared fiailty lD variable
fl Eroct partial likelihood

i_- -- -- - - .. :tj:i
0lfset vEriEble:
la1
_"__J
]
9ffiffi []s{: t- -q"r"4 .l f-qqF!!t-
Masukan variabel obat ke dalam kotak independent

vorioble
Ketik i. di depan variabel obat
0Ftions Melhod tr hen,ie tied iailutes
Shatd lD variables:
{$ Breslow
:
i
I
, - -,:gj fi elrcn
$
|t,.-.-'------';i
Shared lrailty lD vaiable: Exact marginal likelihood
-_..-_..*--- .i I
* EH6ct pdrtial likelihBod
0lfset variable:
It , , , 'itl
:.:1!
i
****,*-l
HffiB f--qf-: l-qrn"{: I--s!l'ff -l
,/ Pilih kotak reporting2. Akan terlihat tampilan sebagai

berikut.
:':':':'.':::':'.':::.":'::'.o::'y"':::Y,':":.
,i{q!-"lit_qg_-"-_"U'lCiFr{llll-sE{L*g5f-t"F$ts,j
!:
Fepnrtins2
iqLllgelr9111 ,
Generale rren ?ariebl*: I
t
Fartial martingale residuals: f,umulative baseline hazard: I
.--.., ..-..,i
ffiffiffi fjK IT-c.--a I{J,b-f -:

,/ Ketik sch_obat pada kotak schoenfeld residual
./ Ketik sca obat pada kotak scaled schoenfeld residuol.
Akan diperoleh tampilan sebagai berikut.
*t'toaA Tir" *,yino.by/iflin fR+*t H"po,tinq i"po',inq i

":!iq5 _
Sf f"f
I ",
i Gerrsaie nerr variables i
i; Partial mtsrtingdle residuals: fumulalive baseline hazard: i

.-- - t
i r-*------.-***-J '
l*._--*"--_,_-_'*'*i i
ji Baseline hazard mnkjbiltiorc:
Basehne conkibutions: function:
Baseline survival function
Easeline i
li---"---*-"--::
i r*,..-.'.-.'....-.........***,,---i r-,-__,__---*,-,, :
I
I Estimatedlog{railties:
i:i
j'..'""---***-
j Partial eflicient score residuals: {e.q., esr"l
ii i
;------
, Schoenfeld residuels: [e.9.. sch']
SUII-UUdL
j, Scaled Schoenfeldresiduals: [e.g.. sca"]

"-
scd obdt
-
1;
ii
Hffiffi {- - ltl
,r.
J{ -!q-"-:-t.l l. ..t,rbry!,]
Proses telah selesai, klik OK.

L an gk a h - L a n gka h A n a I is i s"::ir:1
6h
. xi: stcox i.obat, nohr schoenfeld(sch-obat) scaledsch(sca-
obat)
i.obat (natura-l1y coded; -robat-O omitted)
-robat-0-1
fai'lure status == 1
analysis time -d:
-t: ti me
rteration 0: 1og likel'ihood = -2150.8691
Iteration 1: log likelihood = -2LAO'O5L7
rterat'ion 2: log likelihood = -2110-0401
nefining estimates:
rteration 0: log likelihood = -2110.0401
tto. of subjects = 500 Number of obs = 500
ruo. of failures = 370
rime at risk 472-L
LR chj 2 (1) = 81.66
rog likelihood = -2aaO.04O1" prob > chi2 - 0.0000
-t I coef. std. Err. z P>lz\ 195%conf. rnterva'll

----------+
robat-l 1.9683695,1097153 8.83 0.000 -7533315 1.183408
Pada data editor, kita dapat menemukan variabel baru yang

bernama sca rokok dan sch_rokok. Kedua variabel tersebut akan
digunakan untuk melakukan analisis global test.
.'.
varzo LIl =
i; ; -;iitiil/i i;.issils;
..:- '. - "-: -- .-
l-
..--.. i -
ANALIS$ SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program Statct

Untuk melakukan global test, Iakukanlah langkah-langkah sebagai
berikut.
,/ Klik stotistics
,/ Pilih survivol anolysis
./ Pilih regression model
,/ Pilih test proportionol hozord ossumption Akan diperoleh
:Moin iflin
i'-*-*-*--
Feports and statistics: [subcommandJ

.^ - - -.;:,i
I Propnrtinnal hazard arsumptions based on Schoenf eld residuals [phtestj
lnformation criteria Iic]
S ummarire estimation sample [summarize]
---gj
Sample
$ Use the sample frtm the stcor reqession. e[sample]
! Use all available data
fl Suppress st vadable description
,/ Pilih proportionol hozord assumption bosed on Schoenfeld

residuol (phtest)
,/ Proses telah selesai. Klik OK.Akan diperoleh hasil sebagai
berikut.
estat phtest
.rest of proportional hazards assumption
Time: Time
I chi 2 df prob>chi 2
-----+---*
g1obal test I 0. oo 1_ 0.9646
Oleh karena nilai p pada global tesr adalah 0,946 (lebih besar dari
0,05), maka asumsi PH terpenuhi.
Langkah-Langkah Anal is is Sur"vival

G;r
Untuk selanjutnya, perintah pengecekan asumsi PH dengan
metode globol tesr dapat dilakukan dengan mengetik kalimat
perintah pada bagian commond.
Perintah umum :
xi: stcox i.varible, schoenfeld(sch-variable) scaledsch(sca-
variable)
Diikuti dengan perintah: stphtest atau estat phtest
Contoh :
d(sch-obat) scaledsch (sca-obat)

xi : stcox i.obat, schoenfel
Diikuti dengan perintah: stphtest atau estat phtest
j: r: | : : l' :
t. 5'eb'uikan,t1ta metode untuk' mengetahui as*'msi
groporsional'hazard terpenuhi atau tidEkl
2. l{*pankah'''.kita menggunakan anafisis tirne'
rlrAeper.tdnet?,'. , '
3. Kapa*kah kita menggunakan analis fittt modtl dan

fedii. -$gdefl' ,,. ,'
4,: B*$1haaa*t'runrusurnurn*hozardftneaon-rdansatvii*t
funcrionl
6,}:r: USIS SURVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

.....t.rctirciiPiopOt$o,na'1ta6tid,, Te rpen uh i
)
Kasus:
Seorang peneliti ingin.mengetahui hubungan antara jenis

pengobatan dan stadium terhadap survival pasien kanker tiroid.
Peneliti sudah melakukan pengambilan data dan menyimPan
data tersebut dengan nama file survival-kanker (kasus ini sama
dengan kasus pada Bab 7).,Peneliti mengumpulkan data dan akan
mengolahnya dengan program Stata. Data dimasukkan ke dalam
program stata dengan keterangan sebagai berikut.
stadium I
stadium ll
Data disimpan dan diberi nama survival-kanker.dta

Bagaimana pengolahan data ini bila menggunakan Program
stata?
Jawab:
Lakukanlah langkah-langkah sesuai dengan alur analisis survival
pada gambar 6.l.Ada langkah pendahuluan yang harus dilakukan
lika akan mengolah data dengan stata yaitu mempersiapkan data
untuk diolah dengan anhlisis survival. Cara mempersiapkan data
untuk analisis survival adalah dengan perintah stset t, failure(fail)
dengan tmenunjukkan variabel person tirne dan foil menunjukkan
variabel status. Jadi, jika t diganti menladi time dan fail diganti
menjadi status, maka perintah stset t, failure(fail) berubah meniadi
stset time, fai lu re(status).
Sebelum perintah stset time, failure(status), data Pada stata

adalah seperti gambar berikut.
:-:':::':':'::'.':::'::"::::'::.^:::y.'::::":"'::"
Prelerye ll Reslore
varlf [1t] -J-t

,a. status tinre sbat : stad'i ut
1 1 *reni ngga 11 cU*t [ui , *tldium
2 J $efir ngga 3 cbat bar
,
sJadi urn
3 3 nren"i ngga t
abet bar : stadi unt
4 4 , nr*ni ngga 11 obat bar : stadi um
5 S , meni ngqa 11 cbat bar

,
stadi unn
b- 6 rneni ngga 11 sbat bar , stadi urn

-t
7 7 : neni ngg* 4 si**l utn
a"
"ni{ ,
I I , meningsa 4 nbat bar ,stadium
I 9 , neningga 4 c,bat bar , stiJ'ium
10 !0 ' menr nqga 11 ohat bar : xtad'i
I unr
Setelah perintah stset time, failure(status), data pada stata

berubah menjadi seperti gambar berikut
. stset time, failure(status)
vdrl:lsl -
titr obat 5tadi6
1 ftni ngga 11 obat bdr stad'i ur 11
t 2 ileni ngga I obat bar stadiuil l
I ffini nqta I obat bar etadiM 3
4 menr ngga 11 obat tar stadrfr 11

i I Defrr ngpa 11 obat L'ar stadrm
6 6 ftfri rlgqa 11 abat bar stadium t1
? z men i nqgd 4 obat bar staditr
i 6 reni nqga 4 obat bar {adi m 4
9 9 reninggn 4 6bat bar sladiun 4
!o 10 mrninqg6 1l ebat bar stadiffi 11
Tampak sekarang telah ada variabel baru yang bernama _st,

_d, _t, dan _to yang dinamakan sebagai variabel dummy. Dengan
munculnya variabel dummy ini, maka data telah siap untuk dianalisis
dengan analisis survival.
Untuk melakukan analisis survival dengan stata,

lakukanlah prosedur sebagai berikut.
Analisis survival cox regression time independent menggunakan Stata (rr>

f . Pengecekan asumsl proporsional hazord (PH)
Sebagaimana telah disampaikan pada Bab ll, asumsi PH dapat

diketahui dengan membuat kurva Kapplan Meier. Asumsi PH
terpenuhi apabila garis survival tidak saling berpotongan. Selain
dengan gambar Kapplan Meier, asumsi PH dapat juga dicek dengan
gambar -ln In survivol serta dengan globol test.Asumsi PH dikatakan
terpenuhi bila tidal< ada perpotongan pada gambar -lnln survivol dan
nilai p pada globoltest >0,05.
a. Pengecekan asumsi PH dengan gambar Kapplan Meier

Untuk mendapatkan lcurva Kapplan Meier, perintahnya adalah:
sts graph, by(variabel). Untuk kurva Kapplan Meier berdasarkan
jenis obat dan stadium, perintahnya masing-masing adalah sts
graph, by(obat) dan sts graph, by(stadium).
. sts graph, by(obat)
Kaplan-Meier survival estimates, by obat
analysis time
obat = obat baru obat = obat standar
yy:':: ::':': .:':::':: :"':' :v.'::y:' :::::

. sts -traph, by(stadium)
Kaplan-Meier survival estimates, by stadium
\o
b
o
q?
o
anatysis time
shdium = stadium I stadium = stadium ll
- -
Berdasarkan kurva Kapplan Meier^, garis survival pengobatan
tidak berpotongan. Begitu pula dengan garis survival stadium.
Dengan demikian, asumsi PH terpenuhi.
b. Pengecekan asumsi PH dengan gambar -ln ln survivol

Untuk mendapatkan kurva -ln ln survivol, perintahnya adalah
stphplot, by(variabel). Untuk mendapatkan kurva -ln ln survivol
berdasarkan jenis obat dan stadium, perintahnya masing-
masing adalah stphplot, by(obat) dan stphplot, by(stadium).
Berikut adalah kurva -ln ln survivol yang dihasilkan prosedur
tersebut.
. stphplot, by(obat)
=
:'$
ao
o
e
TL
EN
t3
o
c
F-
1 1.5
ln(analysis lime)
-----l- obat = obat baru obal = obat siandar
-:F-
Analisis suwival cox regression time independent menggunakan Stata

. stphplot, by(stadium)
a
a
taa
---{F- stadium = stadium I stadium = etadlum ll

-{*-
Berdasarkan kurva Jn ln survivol,garis survival Pengobatan tidak

berpotongan. Begitu pula dengan garis survival stadium. Dengan
demikian, asumsi PH terpenuhi.
c. Pengecekan asumsi PH dengan globol test
Untuk mendapatkan kurva globol test Perintah nya adalah stcox
vo riable schoenfeld(s chx) scaledsch(sco*) di lanj utkan dengan
perintah stphtest. Perintah Pertama dimaksudkan untuk
menyiapkan data untuk analsisis globoltest sementara perintah
kedua untuk globol test.
Kalau kita pnti variabel dengan obat, maka perintahnya meniadi :
. stcox obat, schoenfeld(sch*) scaledsch(sca*)

Pada data editon kita akan melihat variabel baru yaitu sch I dan
scal yang digunakan untuk dasar perhitungan globol test.
6 !t*sr : tic obit rtadis -rt

J.hl scll
t cninqga 11 6b4! btr 5!6dia I ..sz:{t}} -,&ta4166
: i*nrnqq": ' 3 euat b.r ttdid t ".itezgsar -:,1:oest:
! trniFg9a I rb& br *.r'iffi I I -.11E:5t8i .2.:!06561
4 tu.rnqSa rt oo"i u- or.l,- 1 1t -,s?:45;: -.S4S#168
3 ft'.4q96 lr obsl L.r d.d:@ I 11 '.485?1 '.frS4{r€6
6 : #ftinsgr 1X ob* bs rtsdiw I 11 -.sax5al -.&J441!6
t ftnrnqq. 4 obat bar rtidrd 1 -,r:t!!$q -:.tj1!!r{
I mnrnoqa a ob;t br std'F I .,/119e5r8 .?,?1135!r
9 *hiasla 4 iobat br ettim t ..t1192548 -:.?11t914
S rcnr.q96 ll ob.t u.r stodr@ 1 11 -.r4/t4l!: -.td!{1N6
::Y:'.': :' ::: :." :' : :' :' Y' : : Y:: .':':,
Lanjutkan perintah dengan mengetik stphtest.
. stphtest
Hasilnya adalah sebagai berikut.
Test of proporsional hazards assumption

ttme: tlme
I chi 2 df Prob>chi 2
-----f---
gl obal test I 0.00 1_ 0 .9646
Hasil g/obol test adalah p = 0.9646. Karena nilai p >0,05,

maka dapat disimpulkan bahwa asumsi PH untuk variabel obat
terpenuhi.
Selanjutnya adalah mengujiasumsi PH dengan global test untuk

variabel stadium. Sebelum uji ini dilakukan, kita terlebih dahulu
harus membuang variabel sch I dan sca I pada data editor karena
variabel tersebut adalah dummy variabel untuk menguji global test
dari variabel obat. Perintah untuk membuang variabel tersebut
adalah drop sch I sca I .
. d rop schl- scal-
Pada data editor', variabel sch I dan sca I sudah tidak ada.
Data sudah siap untuk pengujian gtobot test untuk variabel
stadium.
vfr4 [t ],
rc *Sur trtu . abtt : rtldih ,tt
sbat ts *ad16 :
1 mninsqe rf
: I mnincca : ; obat 8c Itidim .
I , *"lrggi : r obd! b$ ,6tdi6

d , mninqqa , U ob* bv r 5t6d1ff
'i-.F;;i;;e;, --
ir 'iuii t* , 'i'ai,iii .
11 or.t b.r I stadin

:sbat br :stadim
: , *nrnqE" , { :
S #.1n9qd : , a olat Uar l.ttai*

9 nrinqga
1l obat br et8dr6
stcox stadium, schoenfeld(sch*) scaledsch(sca*)
Analisis survival cox regression time independent menggunakan Stata

Pada data editor, kita akan melihat variabel baru yaitu sch I
dan scal yang digunakan untuk dasar perhitungan global test untuk
variabel stadium.
vf14l6l "
1?.. s.ru:,., .t.1-q tl obrt *.dr6 -* .d 3rh
.rireiili ' ${
a.ririiis
1 . *i]l99i br
6bat st&{id f 1
.&:61991 1.69:51{6
... t.*n'n9s1...... .. I br
obar *6drs I I
.&3E:SZ 1.S9t5l<6
I eilnggi I rb6t b.r rdJl6 1 !
{ : ftfinggs . 11 obat b{ 3'.drr I I ,arrgs::s i.ror:rrr
5 enrn996 . ltI ob.r bar st.dr4 1 r .!r:ris:: ' z.r:r:rls
g : mri&qa :rr obat bd rtadrm I I .s$g:s: i :-asr:r:s
4 6hat br. 5tadi6 l1 ,$61191t t-S96eil

4 obat br stdim 11 -.t5t8M8 -t,Sa&l
ro 'an;ngga tt obd bd ..tadiffi I I .4t486!!5 l-it1llr5
Lanjutkan perintah dengan mengetik stphtest.
. stphtest
Hasilnya adalah sebagai berikut.
Test of propors-ional hazards assumption

t'rme: t'lme
chi2 df Prob>chi 2
g1 obal test 0.06 L 0.8034
Hasil globol test adalah p = 0.8034. Karena nilai p >0,05,

maka dapat disimpulkan bahwa asumsi PH untuk variabel obat
terPenuhi.
Kesimpulan dari pengecekan asumsi PH disajikan Pada tabel
berikut.
Tabel 7.1. Hasil pengecekan asumsi PH variabel obat dan

stadium
Tidak ada Tidak ada

perpotongan PerPotongan
garis garis
Tidak ada Tidak ada

PerPotongan perpotongan
garis garis
2. Analisis Bivariat
dilakukan dengan analisis cox. Perintah untuk melakukan analisis cox
regression adal ah xi :stcox v a ri abl e n u m eric i.va ri abl ecatego ric. Tan da
i. pada awal variabel menunjukkan bahwa variabel tersebut adalah
variabel kategorik. Pada variabel numerik, kita jangan membubuhkan
tanda i. di depan variabel karena Stata akan menganggapnya sebagai
variabel kategorik.
Untuk variabel. obat dan stadium, karena keduanya adalah
variable kategorik, maka perintahnya adalah
xi:stcox i.obot dan xi:stcox i.stadium.
. xi:stcox i.obat
fai I u re : status :: l-
anal-d s -t : ti me
ysi t-i me
rteration 0: 1og likelihood: -21-50.8691-

rteration l-: log likelihood = -2LLO.O5L7
Iterati on 2 : 1og 1i kel i hood = -21-1-0.0401-
nefini ng est-i mates :
rterati on O: "l og 1i kel i hood = -21-1-0.0401
r.to, of subjects = 500 Number of obs 500
No. of failures
.rime at risk = 370
4721
LR chi 2 (1) = 81.66
log hood = -21-1-0. O4O1- prob > chi 2
1i kel i = 0.0000
_t I uaz. natio std. err. z e>lzl 195% conf. tntervall
_robat_l- | 2.633647 .288951-3 8.83 0.000 2.L24064 3.265483
. xi:stcox i.stadium
failure status == 1
analysis -d:time -t: time
Iteration 0: 1og likelihood = -21s0.8691_
Ite rat'i on l-: I og I i kel i hood = -2130.72L8
rteratr'on 2: 1og likelihood = -21_30.6351_
Iteration 3: 1og likelihood = -21_30.6351_
nefini ng estimates:
rte rati on O : i og 1 i kel 'i hood = -2130.6351
r,lo. of subjects = 500 ltumber of obs so0
No. of failures = 37O
-Time at risk 472L
ln chi2(1) 40.47
log 1 i kel 'i hood = -2130 . 63 51- prob > chi2 0.0000
I gaz. natio std. Err. p>lzl 195% conf. rntervall
-Iobat_1 | 2.O2O997 .2325854 6.11- 0.000 1.612893 3.532362

obat mauPun stadium mempunyai
Pada analisis bivariat, baik
nilai p<0,001 (lihat kolom p>lzl) dengan HR masing-masing 2,63
(lK 95% 2,12-3,27) dan 2,02 (lK 95% I ,6 I -2,53).
3. Analisis multivariat
pada analisis bivariat memPunyai nilai p<0,25. Karena variabel
obat dan variabel stadium yang memPunyai nilai p sebesar <0,001
maka kedua variabel tersebut akan masuk ke dalam analisis
multivariat. Perintah untuk analisis multivariat dengan cox regression
adalah sebagai xi:stcox vorioblenumeric i.vorioblecategoric untuk
mendapatkan HR, lK, dan nilai p. Sementara untuk mendapatkan
nilai koefisen untuk masing-masing variabel, perintahnya adalah xi:
stcox va ri oblen u m e r ic i.v o ri obl ecatego ric, n oh r d an u ntu k m em pe rol e h
tabel boseline hazord don boseline survival perintahnya masing-
masing adalah xi:stcox i.obot i.stadium, basesurv(s0) dan xi.'stcox
i.obat i.stadiu m, baseh oza rd (s0)
Marilah kita lakukan rangkaian perintah tersebut satu demi

satu.
. xi:stcox i.stadium
failure status == L
analysis time -d:
-t: t-ime
Iteration O: 1og f ikelihood : -2150.8691
rteration 1: 1og'likelihood = -2096.7259
tteration 2: 1og likelihood = -2096.6389
rteration 3: 1og likelihood = -2096.6351-
rteration 0: log l-ikelihood = -2096-6389
cox regression -- Breslow method for t-ies
trto. of subjects = 500 Nurnber of obs 500
trto. of failures = 37O
rime at risk = 472L
ln chi2(1) l_08.46
log likelihood = -2096.6389 prob > chi2 0.0000
-t I Haz.Ratio std. rrr. z e>lzl 195% conf. tntervall

-robat-1 | 2.437299 .2694575 8.06
0.000 L.962472 3.027011-
-rstadium-l- I L.788229
.2075297 5.01 0.oo0 L.424421 3.244955
i'.i'.'!!'"'::::1:'::.':'Y.^::Y:'::Y::.'::.
Berdasarkan output di atas, kita dapat memperoleh informasi
mengenai nilai HR, lK95% dari HR, dan nilai p. Pada output ini,
kita belum memperoleh nilai koefisien untuk masing-masing
variabel. Untuk memperoleh koefisien ini, harus dilakukan perintah
berikut.
. xi:stcox i.obat i,stadium, nohr
'i.obat _robat_o-l- (natural'ly coded; omitted)
i.stadium (naturally coded; -robat-o
_rstadium-O omitted)
-rstadium-0-1
failure *d: status =: 1
analysis time -t: time
Iteration 0: log likelihood = -215O.8691
rteration l-: 1og likelihood = -2096.7259
tteration 2: 1og likelihood = -2096.6389
tteration 3: log likelihood = -2096.6389
nefining estimates:
cox regression -- Breslow method for t'ies
wo. of subjects = s00 Number of obs = 500
tto. of fai]ures = 370
Time at risk 472L
LR chi 2 (2) = 108.46
Log likelihood =-2096.6389 prob > chi2 = O.OOOO
I coef. Std. Err. z p>lzl 195% conf. rntervall

-t
1.8908904 .l-l-05558 8.06 O.0O0 .674205
-robat-]- 1.5812255 L.aO7576
_rstadiunrl .l-l-60532 5.01- 0.000 .3537653 .8086857
Dari output ini, kita memperoleh informasi tentang nilai

koefisien untuk masing-masing variabel, lK dari koefisien, serta nilai
p. Untuk mendapatkan boserine hozard dan boseline hozard survivol,
lakukan perintah berikut.
. xi:stcox "i.obat i.stadium, basesurv(s0)
. xi:stcox i.obat i.stadium, basechazard(h0)
Dengan perintah tersebut, pada data editor akan muncul
variabel s0 (boseline hazard) dan h0 (boseline hozord).
yalt [:lJ -
ob , *ndi6 : rho
obil br :stodie : o ,5:161503
hd .iia;iii " o ' .01:41a79
.:.:!a!tq,. o : .O13a1879
ouit td o .lI5t_1_91
ii; -a
"t;
obat tE; *iii,i',- ,
.
o . rl36r50i
bar 0
'.irasixss
l* o
,. .onmi!1
'o
obat
ob*
br :!:f;...
5P!1.!d :
,oss159
!Y :..
o .53267W3
Analisis sumival cox regression time independent menggunakan Stata

Untuk menampilkan boseline survivol dan boseline hozord
di dalam output,lakukan perintah tobulate time, summarize(s0
)nostondord nofreq noobs dan tobulote time, summorize(h0)
nostando rd nofreq noobs.
. tabulate time, summarize(sO) nostandard nofreq noobs

Summary of
basel i ne
sdrvivor
ti me Mean
------------+
1 .99766065
2 .99372029
3 .98651_885
4 .97920L36
5 .96422L57
6 .9s657503
7 .92754496
8 .8797 57 86
9 .797063L1
1_0 .6L447952
1_1- .51285389
L2 .51285389
------------+
rotal .69L42796
tabulate ti ffie, summarize(h0) nostandard nofreq noobs
Summary of
cumul ati ve
basel'i ne
hazard
ti me Mean
------------+
1_ - 0023301-8
2 . 0062 s 366
3 .oL343879
4 .02080169
5 .03 s85868
6 .04375L67
7 .0732003s
8 .L22087L4
9 .2069L24L
1_0 , .38802768
11_ .53367s03
T2
------------+ -- -:::::1:::
'lictal
I .32617555
::'':::'.:':::1":::":',::"^::y:'::::':.Y:"
6. lnterpretasi
analisis survival adalah sebagai berikut.
a. Variabel yang berhubungan dengan variabel tergantung dengan
melihat nilai p dan interval kepercayaan pada masing-masing
variabel.
_t I Haz.Ratio std. Err. z p>lzl 195% conf. tntervall
_robat_l | 2.437299 .2694575 8.06 0.000 L.962472 3.0270]^1-
_rstadium_l I L.788229 .2O75297 s.01 0.000 L.42442L 3.2449ss
Variabel yang berhubungan dengan mortalitas pasien adalah

variabel obat (p<0,001 ; HR = 2,44 lK 95% 1,96 - 2,03) dan
stadium (p<0,001 ; HR = I ,79 lK 95% I ,42- 2,25)
b. Urutan kekuatan dari variabel-variabel yang berhubungan

dengan variabel tergantung. Berdasarkan nilai HRnya, urutan
kekuatan adalah obat lalu stadium-
Model atau rumus untuk memprediksikan hozord funaion dan

survival funaion. Untuk dapat membuat rumus, perhatikanlah
output Stata berikut ini.
_t I coef. std. Err. z p>lzl 195% conf. tntervall

.89O89O4 .11-05558 8.06 O.000 .674205 L.LO7s76
-tobat-1 I1.581-2255 .11-60532 5.01 O.0O0 .3537653 .8086857
-tstadium-l-
Untuk hazord function, rumus yang diperoleh adalah sebagai

berikut.
H(t) = Ho(t) ev
H(t) = Ho(t) e0'8et("bat)+0,5611'*6'u-,
Sedangkan untuk survival function, rumus yang diperoleh adalah
sebagai berikut.
S(t) = So(t) c"rr
S(t) = So(t;'"0'ert{ouat)+o'sel(sadium)

Dimana,
H(t) = hazard Pada waktu tertentu
Ho(t) = baseline hazord pada waktu tertentu
So(t) = boseline survivol pada waktu tertentu
Obat = I bila menggunakan obat standar, dan 0 bila
menggunakan obat baru
Stadium = I bila stadium ll, dan 0 bila stadium l'
5. Aplikasi Persamaan yang diperoleh kepada pasien

Persamaan tersebut dapat diaplikasikan untuk menghitung
hazard dan probabilitas survival pasien pada waktu tertentu.
Misalnya,berapakah hazard dan probabilitas survival pasien stadium
!l yang menggunakan obat baru pada tahun ke lima?
a. Hazard pada tahun ke lima, stadium ll dengan pengobatan
baru
H(t) = Ho(t) eY
H(t) = Ho(t) e0'8rtf"bat)+o'ssl(stadium)

H(t) = hazard pada tahun ke lima
Ho(t) = boseline hazard pada tahun ke lima = 0,036
Obat = 0 karena menggunakan obat baru
Stadium =I karena stadium ll.
Dengan demikian:
H(t) = Ho(t) e0'8ltt"bat)+0'581(sadium)
H(5) = 0,036e0'est(o)+o's8r(r)
= 0,064
b. Probabilitas survival pada tahun ke lima, stadium ll dengan

pengobatan baru.
S(t) = So(t)c"rr
S(t) = So(g'"o'tt'1"oat)+0'581(sadium)
S(t) = survival pada tahun ke lima

So(t) = boseline survival pada tahun ke lima = O,964
Obat = 0 karena menggunakan obat baru
Stadium =I karena stadium ll-
Dasar-Dasar Teori dan Apliknsi Program Stata

T': SURYIVAL:
Dengan demikian:
S(5) = So(s;""o'tt'1"bat)+o'ssl(sadium)
S(5) = 0,964'"0'est(o)+o's8r(r)
= 0,937

<rh
'd-\ nr,**g *gg$g $ilw *.i.rit+ufmffi
,, gp:ve ffi,r+ gll';',eg;: $*,m !Fl; fi i i:t ,,*t1*tgfi
iA s rru *,t't g f p*'s
,$s g""rg
,E m w r"* li H,*u+,;r$i b"'s3
T"E'di mffi T,g: g'1.g'',es:ri a,* *r t

!
S*ceiah nner*p;eia!a.'i &at 8, eliharapira,r,: pemba:ee fiaritilLi ine ni,elaskai:

ejan r"'rreiaf<liio"an {angkah-langi<a.h anailsis sr.rr!'ival ;er- iegressie,;n iitfi
liJr'ir.' :;-" j-.":ai lf*gfni-:i jr:eL5 ;ir;'I ."te.a*.ui<A,T ;.1 311-.'rr"Ei.i!. yang
bena*-:
Kasus:
Seorang peneliti ingin mengetahui hubungan antara jenis

pengobatan, stadium dan jenis kelamin terhadap mortalitas pasien
kanker tiroid. Peneliti sudah melakukan pengambilan data dan
menyimpan data tersebut dengan nama file survival-kanker-sex.
dta
0 =stadium I
I =stadium ll
0 = laki-laki
| = perempuan
Sebelum melaku kan anal isis, rvival-kan ker-sex.

bu kalah data su
dta dan siapkan data tersebut untuk analisis survival yaitu dengan
perintah stset t, failure(fail)
. stset time, failure(status)
failure event: status !: 0 & status <

obs. time interval: (0, timel
exit on or before: failure
500 total obs.

O excl usi ons
5O0 obs. remain'ing, rePresenting
37O failures in single record/single failure data
472L tota.l analys's time at o
JJ.,;o3irJ5-"li?l : 0
last observed exit t 2
Y*:': : :TY:'.": :' ::": :: :' !' Y' ! : Y::,Y,

'(B Lakukanlah langkah-langkah sesuai dengan alur analisis
#' survival pada gambar 6.1.
S*.
l. Pengecekan asumsi PH
Sebagaimana telah disampaikan pada Bab 7, asumsi PH
dapat diketahui dengan membuat kurva Kapplan Meier, kurva
-ln ln survival, dan global test.Asumsi PH terpenuhi apabila garis
survival tidak saling berpotongan dan pada global test nilai p >0,05.
Lakukanlah pengecekan asumsi PH sebagaimana telah dijelaskan
pada Bab Xl.Apakah semua variabel memenuhi asumsi PHI
JikaAnda melakukan prosedur dengan bena[variabel obat dan

stadium memenuhi asumsi PH sedangkan variabel jenis kelamin
tidak memenuhi asumsi PH.Variabeljenis kelamin tidak memenuhi
asumsi PH karena terdapat perpotongan kurva sebagaimana kurva
Kapplan Meier dan kurva -ln ln survivol, dan nilai p pada global test
< 0,05.
. sts graph, by(sex)
fai I ure status
analysis time -d:
-t: time
Kaplan-Meier survival estimates, by sex
analysis time
ssx=psr€mpuan sex=lakFlaki
-
Analisis Survival cox Regression Futl Model MENGGLINAKAN STAa
stphplot, by(sex)
fai I ure -d: status
anal ys-is ti me -t: ti me
----rl- sex = peremprran ---!- sex = laki-laki
. stcox sex, schoenfeld(sch*) scaledsch(sca*)

. stphtest
Test of proporsiona-l hazards assumption
Time: Time
I ch'i 2 df prob>chi 2
gl oba-l test I L4 -26 1 0.0002
2. Analisis bivariat
dilakukan dengan analisis cox regression. Hasil yang Anda peroleh
akan sama dengan hasil pada Bab7.
. xi:stcox i.obat
Hasil dari perintah tersebut adalah sebagai berikut.
SIIRVIVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

fai I u re : status == l-
-d time
analysis -t: time
Iteration 0: 1og f ikelihood : -2150.8691
Iteration l-: 1og likelihood = -ZALO.OSL7
Iterati on 2 : 'l og 'l i kel i hood = -2ALO.O4O1,
rteration 0: 1og likelihood = -211-0.0401
No. of subjects = 500 Number of obs = s00
No. of failures
.rime at r-isk = 37O
= 472a
ln chi2(1) 81. 66
log likelihood = -2110.0401 Prob > chi2 0.0000
I Haz.Ratio std. Err. z

-t +-------_--- P>lzl L95% conf- rntervall
-Jobatj | 2.633@.7 .2889513 8.83 0.000, 2.L24O64 3.265483
. xi : stcox i . stadi um
failure -d: status == l_
anal ysi s ti me -t: t-i me
rteration O:1og likelihood = -21_s0.8691

rterati on 1:I og l-i kel i hood = -2L30.72L8
rteration 2r1og likelihood = -21-30.6351
Iteration 3r1og likelihood : -21_30.6351
Tteration 0: 1og likelihood = -2130.63s1-
r.to-of subjects = 500 Number of obs : 500
tto. of fai"l u res = 37O
rime at risk : 4721-
Ln chi 2(1) 40.47
log 1ikelihood =-2L30.6351 prob > chi2 : 0.0000
_t I Haz.Ratio std. Err. z p>lzl. 195% conf. rntervall

-Jobat-l I 2.O2O997 .2325854 6-11 0.0oo. 1.612893 2.5323262
obat maupun stadium mempunyai

Pada analisis bivariat, baik
nilai p<0,001 (lihat kolom p>lzl) dengan HR masing-masing 2,63
(lK 95% 2,12-3,27) dan 2,02 (lK 95% 1,6 I -2,53).
3. Analisis multivariat
pada analisis bivariat mempunyai nilai p<0,25.Variabel tersebut
Analisis Su,vival cox Regression Full Modet MENGGUNA** r**

adalah variabel obat dan stadium. Selain itu, variabel yang tidak
memenuhi asumsi PH dan penting secara teoritis juga akan masuk
ke dalam analisis survival.Variabel tersebut adalah variabel jenis
kelamin.Terdapat dua pilihan analisis, yaitu analisis full model dan
reduced mode!. Pada bab ini terlebih dahulu kita akan melakukan
analisis fult modet.Analisis full model adalah analisis dimana jenis
kelamin dimasukan ke dalam analisis sebagai variabel interaksi
dengan variabel obat dan variabel stadium. Buatlah variabel interaksi
antara jenis kelamin dengan obat dan jenis kelamin dengan stadium
dengan perintah sebagai berikut.
. gen sexobat = obat*sex
. gen sexstadi Uffi = s€X'kstadi um
Pada data editor akan terlihat variabel baru yaitu variabel

sexobat dan sexstadium.
if"-- rl-J;tuaiistadium iperempual 11 1; l, 0 0 0l

ri.*-- :.Ft-;r-'*-*rlqsiErlry---i"i,-,--l-i:----i:.- -s,,:_-l:--
;"1"- 11 ru;ii".-ljiiaim ilut irtur t
'J''*-*::r:;:;---i;:j::-t;l: tl 11--'*-li-l*--
i-i-r----;a-*-*-l-1-
i-i"*---i-r.-"[Jui"]iiua,rr laki-]ak: tl 1
11 i
111
- 0:
..'-'-o: 0:
0: -----o]''-.'.-
0l
-q
1
--t1:
il----rTi;1'-"tuii-ii"aiu' ituti-tut, ti 1i 111 0: 0l *-----i1:
i--"jffi;f rtl-l:!
*.r,t"ai*lt"ri-rJ'*-- 1|''*-t;-
*1-- - -tl--
4: - 0r
L- -'-nfQ I
,,.*--,7i - :i\L!-"jj'L"1'-9 1 --4' - 0 O-
E 4 obBtoar,stadiua lakr-rak
--l- 1 1
+ oU"tUa" ruo;rt tuk;-tu- - r 1

-1- - * 1 ..-
rr **l* ,tu,l,,'Jj|-].l. 11 L t .-l
E
-t
Perintah untuk analisis multivariat dengan cox regression
adalah sebagai xi:stcox vorioblenumeric i.voriablecotegoric untuk
mendapatkan HR, lK, dan nilai p. Sementara untuk mendapatkan
nilai koefisen untuk masing-masing variabel, perintahnya adalah xi:
stcox variablenumeric i. voriablecotegoric, nohr dan untuk memperoleh
tabel boselin e hazord don baseline survival perintahnya masing-masing
adalah xi:stcox voriablenumeric i. vorioblecotegoric bosesurv(sO) dan
xi:stcox vorioblenumeric i. va ri oblecatego ric, basech ozo rd (h0)
Marilah kita lakukan prosedur tersebut satu demi satu.
,r, LIS1S SURVII/AL: Dasar-Dasar Teori dan Aplikasi Program Stata

. xi:stcox i.obat i.stadium i.sexobat i.sexstadium
i.obat (naturally coded; -tobat-0 omitted)
i.stadium -robat-O-l (naturally coded; -tstadium-o omitted)
i.sexobat -rstadium-0-1 (naturally coded; -tsexobat-0 omitted)
-lsexobat-0-1
i.sexstadium _rsexstad.iu_0-1 (naturally coded; -Isexstadiu-0 omitted)
failure -d: status
analysis time -t: time
rteration O: 1og likelihood: -2150.8691
og likelihood
rteration l-: -l'log. -- -2089-6532
rteration 2: likelihood = -2086.5201
Iteration 3: 1og likelihood: -2086.5155
Iteration 4r 1og likelihood = -2086.5155
Refining estimates:
Iteration O: "log likelihood = -2086.5155
No. of subjects = 5OO Number of obs = 500
No. of failures = 37O
rime at risk = 472L
ln chi2(4) = 428.7L
log likelihood = -2086.51-55 prob>chi2 = 0.0000
_tl Haz.Ratio std. rrr. z P>lzl 195% conf' rntervall

-------------+
_robat-1 3.6s4205 .5273089 8.98 0.000 2.7s3993 4'848673
-tstadi um-1 L.676994 .7373285 3.65 0.0001 .270777 2.2t3063
rsexobat-1 .4835928 .0920588 -3.82 0.000 .3329979 -7022927
rsexstadi -1 1.1-98095 .2a333a2 7.02 0.310 .8451374 1'698459
Tampak bahwa variabel interaksi sexstadium memPunyai nilai p

terbesar. Oleh karena itu, analisis harus diulangi lagi dengan tidak
mengikutsertakan variabel interaksi sexstadium.
. xi:stcox i.obat i.stadium i.sexobat
'i.obat (naturally coded; -robat-O omitted)
i.stadium -robat-0-1 (naturally coded; -rstadium-0 omitted)
i.sexobat -rstadium-0-1 (naturally coded; -rsexobat-0 omitted)
-rsexobat-0-1
failure status
analysis time -d:
-t: time
Iteration 0: 1og likelihood = -2150'8691
rteration l-: 1og likelihood = -2090.2809
Iteration 3: 1og likelihood = -2087 '0295
cox regression -l Breslow method for ties

No. of subjects = 500 Number of obs = 500
No. of failures = 370
rime at risk = 4721_
ln chi2(3) : L27.68
log I i kel i hood '= -2O87 .0295 prob > chi 2 = O. OOO0
Analisis Su,vival cox Regression Full Model MENGGUNAKAN"T^*

I Haz.Ratio std. Err. z
-t f------------ P>lzl [95% conf. rnterval]
_robat_l | 3.443507 .4518175 9.42 0.000 2.662662 4.453347
_rstadium_1 | 1.819173 .2L1236 5.15 0.000 L.44889 2.284087
_rsexobat_L l .5546609 .0742096 -4.4-J, 0.000 .42672 .72096LG
Semua variabel yang diuji mempunyai nilai p<0,05. Oleh karena

itu analisis berhenti sampai di sini.Yang harus dilakukan kemudian
adalah mencari nilai koefisien untuk masing-masing variabel.
Koefisien ini berguna untuk membuat persamaan survival.
, xi:stcox i.obat i.stadium i.sexobat, nohr
i.obat -robat-0-1 (naturally coded; -robat-o om'itted)

i.stadium (naturally omitted)
i . sexobat -tstadium-0-l- (naturally coded;
coded;
-rstadium-O omitted)
-rsexobat-0-l- -rsexobat-O
failure -d: status
analysis time -t: ti me
rteration 0: 1og likelihood = -21-50.8691
Iteration 1: log likelihood = -2090.2809
rteration 3: 1og 1 i kel i hood : -2087 .0295
Iteration 0: 1og likelihood = -2087.0295
Cox regression -- Breslow method for t'ies
ruo. of subjects = 500 Number of obs = 500
tto. of failures = 370
-rime at risk 4721
ln chi2(3)
prob > chi2
= L27.68
log likelihood = -2087.0295 = 0.0000
_t I coef.natio std. Err. z p>lzl [95% conf. tnterval]
-robat-1 | 7.443507 .1312085 9.42 0.000 .9793265 r.493654

_rstadiun_1 | .5983822 .1161165 5.15 0.000 .370798 .8259663
-rsexobat-1 l-.5893983 .L337927 -4.4L 0.000 .85L6272 -.3271694
Selanjutnya adalah meminta software untuk menghitung

baseline hazard dan boseline hazord.
. xi:stcox i.obat i.stadium i.sexobat, basesurv(so)
. xi:stcox i.obat i.stadium i.sexobat, basechazard(h0)
Pada data editor, akan muncul variabel baru, yaitu variabel s0

(boseline survivol) dan variabel ho (boseline hazafl.
'::::Y'.'::'.i::-!:,":3;:'::.^::'Y':::::.Y.
w@rr'f -
-.'l'-'-ii '', &&
1
)ru*ztie: I t$.
! -t
or t:.,tfrtwa
,44,.*1.,j!.t!+t':j:?Yb*j::
o: t 8: .5t2ffi77,
i
t: l:
I o, oi a .%74as o : .,.. .,.1... .,.. . ..1..: :ot7T1?. -
. ...,?..-.,....,..1.,
oi o:,%71n9 : o: L 6: -o125og:
t:
4.
1i itl. d:
d: 6; 1 ,5ffiW1 G r o .5t2ffi77
..., .. . . ....1 t: , tlo: 6: t : .:79{f11 : o t, o:.ttwv
6t t '.
t: u :
a -tffiwL o 1 0 -1tzffin
7; t L,.......9.: 6 I : ,ffi@96 o i o -otwzgo
6t I 1 0l o: t: ,wffi o 1 g .otw7a5
q o: .wtffi 6 o o .ufuzae
- fr.-!.. .'.:
t.
4.
t:
a
o: oI 7: .twl : a: t a,.512ffi77:
Untuk menampilkan boseline hazord dan boseline survival pada

out put, lakukanlah perintah berikut.
. tabulate time, summarize(s0) nostandard nofreq
noobs
Summary of
basel i ne
survivor
ti me Mean
------------+
1 .99750497
2 .99329377
3 .9855692s
4 .9777L622
5 .96a72s33
6 . 95 3 5983
7 .9225881_8
8 .87L98728
9 -78423296
10 . s9076345
l_l_ .488479L4
L2 .488479L4
--f------------
Total | .67424787
tabulate time, summarize(h0) nostandard nofreq

noobs
Summary of
cumul ati ve
basel i ne
hazard
ti me Mean
------------+
1 .00248392
2 .0066744
3 .01436s38
4 .0222876
5 .03844482
6 .04686119
7 .07823725
8. .L3LO39L7
9 .22027504
10 .4L922584
11 .57584059
L2 . s7584059
--f------------
Total | .351-49009
Analisis Survival cox Regression Full Model MENGGUNAKAN STATA

4. Interpretasi
analisis survival adalah.
a. Variabel yang berhubungan dengan variabel tergantungdengan
variabel.
-t I uaz.natio std. Err. z e>lzl [95% conf. rnterval]

_tobat-1 | 3.443507 .4518175 9.42 0.000 2.662662 4.45334r
_rstadium_1 | 1.81-9173 .21]-236 L5 5. 0.000 l-.44889 2.284087
_rsexobat-L l .5546609 .o742096 -4.4L 0.000 .42672 .7209676
Variabel yang berhubungan dengan mortalitas pasien adalah

variabel obat (p<0,001; HR = 3,44 lK 95% 2,66 - 4,453),
stadium (p<0,001 ; HR = 1,82 lK 95% I ,45- 2,28), variabel
interaksi jenis kelamin dengan obat (p<0,001; HR = 0,56
lK 95% O,43- O,72).Interaksi jenis kelamin dengan stadium
ternyata tidak berhubungan dengan mortalitas pasien.
dengan variabel tergantung. Berdasarkan nilai HR-nya, urutan
kekuatan adalah obat lalu stadium dan interaksi obat dengan
jenis kelamin.
Model atau rumus untuk memprediksikan hazord function dan
survivol funaion.
Untuk hazard funaion, rumus yang diperoleh adalah sebagai
berikut.
H(t) = Ho(t) er
H(t)=Ho(t)e|'2a("bat)+0,598(stadium)-0,589(obacjeniskelamin)
Sedangkan untuk survivol funaion,rumus yang diperoleh adalah

sebagai berikut.
S(Q = So(t) (:"')
l'24(ob"t)+0's98(stadium)-0'58e(obacjenis kelamin)
S(t) = So(t)""
Ho(t) = boseline hazord pada waktu teltentu
SURVTITAL: Dasar-Dasar Teori dan Aplikasi Program Stata

S'(t) = baseline survivol pada waktu tertentu
Stadium =I
bila stadium ll, dan 0 bila stadium l.
Jenis kelamin = I jika perempuan, dan 0 fika laki-laki
5. Aplikasi persamaan yang diperoleh kepada pasien
Persamaan tersebut dapat diaplikasikan untuk menghitung

hazard dan probabilitas survival pasien pada waktu tertentu.
M isalnya, berapakah hazard dan probabi itas su rvival pasien laki-laki,
I
stadium ll yang menggunakan obat standar pada tahun ke lima?

a- Hazard pada tahun ke lima, laki-laki, stadium ll dengan
pengobatan standar
H(t) = Ho(t) ev
H (t) = Ho(t) e l'24("bat)+0'5991'o6'u-)-0'589(obacjenis kelamin)
H(t) = hazard pada tahun ke lima

Ho(t) = boseline hozard pada tahun ke lima = 0,038
Obat = I karena menggunakan obat standar
Stadium =| karena stadium ll.
Jenis kelamin = 0 karena laki-laki
Dengan demikian:
H (Q = Ho(t) e l'2lf"bat)+0's98(stadium)-0'589(obacienis kelamin)
H(5) = 0,038e1'2a(t)+o'se8(l)-o's8e(l*o)
= 0,238
b. Probabilitas survival pada tahun ke lima, laki-laki, stadium ll

dengan pengobatan standar
S(t) = So(t) t"v
I'z+toU.t1+0'598(stadium)-0,589(obaCjenis kelamin)
S(t) = SO(t)""
S(t) = survival pada tahun ke lima
So(t) = boseline survivol pada tahun ke lima = 0,961
Stadium = I karena stadium ll.
Jenis kelamin = 0 karena laki-laki
Analisis Sumival cox Regression Full Model MENGGTINAI{AN S7:ATA

Dengan demikian:
S(5)=So(5;."t'z+1"oat)+o,598(sadium)-0,589(obat*jeniskelamin)
S(5) = 0,9$ ; ""t'z+1t1+0'se8(t)-0's8e(l*0)

= 0,871
Berapakah'hazard dan probabilitas survival pada pasien

dengan karakteristik tertentu pada"lahtrn ke-8''Lengkapilah
tabel berikutini. : , '.
',Hazard, Probabilitas survival
Karakteristik pasien ,
'
rahun'ke-8 tahun ke-8 :
Laki-lak, Stadiuri l, abat standar
Laki-laki, Stadiurn l,'obat baru
Laki-laki, Stadium fl, obat standar
Laki-laki,Stadium ll, olat baru

Ferenrpuan, Stadium l, obat standar
Per.empuan,Stadium I, obat bam
Perem.puan, Stadium ll, obat standar
Perempuan;Stadium ll' obat baru
ANALIilS SURWVAL: Dasar-Dasar kori dan Apliklsi Program Stata

G,ox ression Redu'G6d,,,riMbdG:1
:(A$_,um$i' P:rop os'i.o n a:J,,,ll C2ard,,
.
T.ide ,,, rpehu. i),',,,'.1,,.,

Kasus :
Kasus pada Bab 9 ini sama dengan pada Bab 8. Pada analisis
multivariat, pada bab 8 dipilih fult model sedangkan pada bab 9, kita
akan melakukan analisis reduced model-
Jawab:
Lakukanlah langkah-langkah sebagai berikut.
l. Pengecekan asumsi PH (sudah dilakukan pada bab 8)

2. Analisis bivariat (sudah dilakukan pada bab 8)
3. Analisis multivariat menggunakan reduced model'
Pada analisis reduced model,variabel yang tidak memenuhi asumsi

PH fienis kelamin) dijadikan sebagai variabel untuk menstratifikasi
sampel. Pada analisis ini sampel akan dianalisis berdasarkan kelompok
jenis kelamin laki-laki dan jenis kelamin peremPuan karena variabel
jenis kelamin tidak memenuhi asumsi PH-
Bu ka fi le su rvival-kanker-sex-dta
Perintah untuk analisis cox regression reduced model adalah

sama dengan perintah untuk full model, akan tetapi ditambahkan
kal i mat stata (vo riabl e).
xi :stcox i.obat i.stadium, st rata (sex)
.obat (naturally coded; -tobat-o omitted)
-robat-o-1
.stadium _rstadium_0-l_ (naturally coded; -tstadium-0 omitted)
failure status
analysis time -d:
-t: time
Iteration 0: 1og'likelihood = -1-903.5303
rteration 1: 'log likelihood = -1-856.955
Iterati on 2 : '1 og 1i kel i hood = -1856.881-8
rterati on 3: l og 1i kel'i hood = -1-856. 881-8
rteration O: 1og likelihood = -1856.8818
y*.:::::'.':: Dasar-Dasar kori dan Aplikasi Program Stata

stratified cox regr, -- Breslow method for t-ies
trto. of sub j ects 500 Number of obs s00
r'lo. of fai I u res 370
-lime at risk 4721
ln ch-i 2 (2) 93.30
log 1i kel i hood -1-856. 881-8 Prob > chi 2 0. ooo0
_t I Haz. Ratio Std. Err. z P>lzl 195% conf. rntervall
-robat-1 | 2.260OL4 .2518086 7.32 0.000 1.816649 2.811584

-rstadium-1 | 1.780237' .2061221- 4.98 0.000 1.418804 2.233741
Untuk menampilkan nilai koefisien untuk setiaP variabel,

tambahkan perintah nohr.
. xi:stcox 'i.obat i.stadium, strata(sex) nohr
i.obat (naturally coded; -robat-0 om'itted)
i.stadium -robat-O-1
-rstadium-0-1 (naturally coded; -rstadium-O omitted)
failure status
analysis time -dr
-t: time
rteration 0: 1og iikelihood = -1903.5303
Iteratjon 1: 1og likelihood = -1856.955
rteration 3: 1og.likelihood = -1856.8818
nefining estimates:
Iteration 0: 1og likelihood = -1856.8818
Stratified Cox regr. -- Breslow method for t'ies

rqo. of subjects = 500 Number of obs = 500
tto. of fai]ures = 370
time at risk = 4721-
LR chi2(2)
prob > chi2
= 93. 30
rog likelihood = -1856.8818 = 0.0000
I coef.Ratio std. Err. z

-t +------------ e>lzl [95% conf. rnterval]
-tobat-1 I .8153708 .aL-J.4a91 7.32 0.000 .5969934

.3498L46
1-.033748
-Istadium-1 1.5767462 .1157836 4.98 0.000 .8036778
by sex
Untuk meminta sofcware supaya menghitung baseline hozord

dan bose/ine survivol,lakukan perintah berikut.
. xi:stcox i.obat i.stadium, basesurv(s0) strata(sex)

. xi:stcox'i.obat i.stadium, basechazard(h0) strata(sex)
Analisis Surttival cox Regression Full Model MENGGUNAKAN STATA

Dengan kedua perintah tersebut, pada data editor akan tampil
variabel baru bernama s0 (boseline survivof) dan h0 (boseline hozord)'
vdsltst * r****-*"***-
: 1 ,8 i';Ah*' :r&eJ -t*d;d m
1: L Lt O A 1 .416&6ffi1 -5g*4L7t
z r 1:..-. d, a a .lztiasr "a2z546rA
trlao t .gzziaaes -azzsaale
4' 1 lt al & I -ctese(ii -tgq74t4
11 aO t -476&6fi1 .sgsiqtit
8711 60 1 ,cfieiet -ssstctit
?t4ta 1 .gwgalsz ,otgjJ6a5
4DA 1 .9Wi4157 .ptsij@s
9
'ti
L
i:
4
11 .
O:
o
a
a
'' a
t
.9W5431?
,+iaei@'r
.QAgt16L6
-sgv+tzi
Untuk menampilkan tabel boseline hozord don baseline suryiyo/ untuk

strata laki-laki dan peremPuan, lakukanlah perintah sebagai berikut.
.tabulate time sex, summarize(s0) nostandard nofreq noobs
Means of baseline survivor
I sex
timel 0 1-l rotal
+---------- -+----------
1_ .99684618 .99826771, .99732003
2 .99044647 .996s2629 .99166244
J .97734695 .99477562 .97928347
4 .97568547 .98054357 .98000378
5 .97235a77 .95082405 .9s321602
6 .96229s21- .94s04601 .9s654547
7 .91849802 .92930752 . 92l_1_18 5
8 .83100876 .9a712982 .84134329
9 .67603688 .88696281 .71594a79
1_0 .60468234 . s9968s66 .6005471_6
11 . s6638912 .41686603 .4474503
t2 . s6638912 .41686603 .5261329
+---------- -+----------
rotal | .70128833 .62940806 1 .66908597
tabulate time sex, summarize(h0) nostandard nofreq noobs
N4eans of cumulative baseline hazard
sex
timel 0 1| rotal
+---------- -+----------
1_ .0031-3881 .00L72776 .00266846
2 .00949673 .00346761, .00829091-
3 .02254638 .0052a972 .0206212
4 .02424455 .01933616 .019881s4
5 .02765398 .04875867 .04641,37L
6 .03796167 .05479837 .04357391.
7 .081_6536 .07120302 .079L20t3
8 ,.1691-3751 .08409914 .l_589329
9 .32601312 .1-1-55851 .2862024L
10 .41831229 .35948403 .36962683
11 .4796302L .59974L21 .575L7305
L2 .47963021- .59974L2L .sta96779
+---------- -+----------
rotal | .3L820262 ,35845714 | .33623665
:.:::::':'!!'.1"::.1":"::,":'::'"o::*::'::"::::"'::
4. Interpretasi hasil
analisis survival adalah sebagai berikut.
a. variabel yang berhubungan dengan variabel tergantung dengan
variabel. Variabel yang berhubungan dengan mortalitas
pasien baik pada kelompok laki-laki maupun pada kelompol<
perempuan adalah variabel obat (p<0,001; HR = 2,26 lK
95% l,8l - 2,81) dan stadium (p<0,001 ; HR = 1,78 lK 95%
1,42- 2,23).
_t I ttaz. natio std. Err. z p>lzl 195% conf. rntervall

f------------
_robat-1 | 2.260014 .2518086 7.32 0.000 1.81,6649 2.811584
-rstadium-1 I I.780237 .2061221, 4.98 0.000 1.418804 2.233741,

dengan variabel tergantung. Pada analisis survival, urutan
l<ekuatan dilihat dari besarnya nilai HR. Berdasarkan nilai
HR-nya, urutan kekuatan adalah obat lalu stadium bail< pada
kelompok laki-laki maupun perempuan.
c. Model atau rumus untuk memprediksikan hozord function dan
survivol function.
_t I coef.natio std. Err. z P>lzl 195% conf. rntervall
f------------
_robat_1 | .8153708 .ILa4791- 7 .32 0.000 .5969934 L.033748
_rstadi um_1 I .5767462 .1157836 4.98 0.000 .34981-46 .8036778
stratified by sex
Untuk hazord function, rumus yang diperoleh adalah sebagai

berikut.
H(t) = Ho(t) ev
H(t) = Ho(t) e0,8ls("bat)+0,5771"u6'u-,
Sedangkan untuk survivol function,rumus yang diperoleh adalah
sebagai berikut.
S(t) = So(t) (6"rr
S(t; = So(t)e"0,81s(obat)+0,s771"u0'u',

, *-
:' :'."," .t: :.*." ! : : ! :': : :': : : :': Y: !:.' Y: : : :."
*:
Y
* s?'z rA
(9t Tw
S(t) = survival pada wal<tu tertentu
So(t) = baseline survivolpada waktu tertentu
Stadium =I bila stadium ll, dan 0 bila stadium I'
I coef.natio Std' Err' z p>lzl [95% conf. rnterval]

-t +-------*----
.8153708 .11-14191 7.32 0.000 .5969934 1"033748
-robat-1 |I.5767462
rstadium-1 .1157836 4.98 0.000 .34981'46 '8036778
stratified by sex
5. Aplikasi Persamaan yang diperoleh kepada pasien

Persamaan yang kita peroleh dapat diaplikasikan untuk
menghitung hazard dan probabilitas survival pasien pada waktu
tertentu. Misalnya, berapakah hazard dan probabilitas survival
pasien perempuan, dengan kanker stadium ll yang menggunal<an
obat standar pada tahun ke lima?
a. Hazard pada tahun ke lima, PeremPuan dengan stadium ll dan

Pengobatan standar
H(t) = Ho(t) ev
H(t) = Ho(t) e0'8tst'bat)+0's77(stadium)

H(t) = hazard Pada tahun ke lima
Ho(t) = boseline hozard pada tahun ke lima = 0,048
Dengan demikian:
H(t) = Ho(t) e0'8lst"bat)+0's77(stadium)
H(5) = 0,048e0'8rs(t)+o's77(r)
= 0,1 93
b. Probabilitas survival pada tahun ke lima, PeremPuan dengan

stadium ll dan pengobatan standar
S(t) = So(t) G^rr
S(t) = So(t)'"o'stst"uat)+0's77(stadium)
,/\"
(s*::::':':::'':::'.:"::':1"':::.":'::".u:lo::'.!:::":"'::.
S(5) = survival pada tahun ke lima
So(t) = boseline survivolpada tahun ke lima = 0,951
Dengan demikian:
S(5) = So(5;'"0't't1"oat)+o's77(stadium)
S(5) = 0,95 l"ô'ets(l)+0's77(r)
= 0.827
l;.il}tEi-ffi
Berapakah hazard dan probabilitas survival pada pasien
dengan karakteristik di bawah pada tahun ke-2. Lengkapilah
tabel berikut ini.
Strata Karakteristik pasien Hazard Probabilitas

tahun survival
ke-2 tahun ke-2
Laki-laki Stadium l, obat standar
Stadium l, obat baru
Stadium ll, obat standar
Stadium ll, obat baru
Perempuan Stadium l, obat standar
Stadium l, obat baru
Stadium ll, obat standar
Stadium ll. obat baru
Analisi,s Survivctl cox Regres"'ion Full Model MENGGUNAL4N STATA

<k
Mermillh Redueed lUlode!
atau Furll lUlodeF
f--r tr
I
I
lK.l
\P' Tujuan Bab l0
i{
Setelah mempefajari Bab 10, diharapkan pembaca marnpu

men!elasl<an dan melakukan perbanciingan kualitas hasil anaiisis full
model dan kualitds hasil analisis reduced mode!"
Kasus:
dua cara, yaitu secara klinis dan secara statistik.
l. Pemilihan model secara klinis

Secara klinis, pertimbangan utamanya adalah pada manfaat dan
kepraktisan penggunaan model untuk kepentingan l<linis.Apabila
secara klinis lebih bermanfaat untuk menilai survival berdasarkan
kelompok laki-laki dan perempuan, maka reduced modellah model
yang tepat. Akan tetapi, bila secara klinis kita ingin melihat seberapa
besar pengaruh jenis kelamin terhadap survival, makafullmodellah
model yang tepat.
2. Pemilihan model secara statistik

Pemilihan model secara statistik dilakukan dengan uii likelihood
rotio (uji LR). Uji LR dilakukan dengan cara menghitung selisih
likelihood rotio (LR) antara kedua model kemudian dilihat apakah
selisihnya bermakna pada degree of freedom (df) yang sesuai. Secara
matematis, uji LR adalah sebagai berikut.
MRldf=
LRf -L/v
P(k - r)
ALR/df = selisih LR untuk setiap degree of freedom

ARf = LR full model
LRr = LR reduced model
P(k-l) = degree offreedom
p = Jumlah variable interaksi pada full model
K = Jumlah strata pada reduced model
Ho = Reduced model dapat diterima
Ho ditolak bila nilai ALR/df > 3,8
rq6by,::::,:,:,.:'::::.::"':,::.o::*::,:::,:;::
Untu'k mengetahui berapa besar LR untuk masing-masing
model,l<ita dapat melihatnya pada output Stata dari prosedur yang
telah dilal<ukan pada Bab 8 dan Bab 9. Nilai LR pada full model dan
reduced model disajikan pada gambar l0 dan 10.
No. of subjects 500 Number of obs : 500

uo. of failures
-time at risk
370
472L
rn chi 2 (3) : 1,27 .68
Log likelihood -2087 .0295 prob > chi2 : 0. OOOO
_t I Haz. Ratio std. Err. z P>lzl 195% conf. Intervall

_Iobat_1 | 3.443507 .451-9175 9.42 0.000 2.662662 4.453341
_tstadium_1 | 1.8191"73 .211236 5.15 0.000 L.44889 2.284087
_rsexobat_l | .5546609 .0742096 -4.4I 0.000 .42672 .72096L6
Gqmbor 10.1 Output dori full model. Niloi LR dori full model odoloh
sebesor 127,68
No. of subjects = 500 Number of obs 500

No. of failures =
-t'i me at risk
370
4721
LR chi 2 (2) 93.30
rog likelihood = -1856.8818 prob > chi2 0.0000
_t I Haz. Ratio Std. rrr. z P>lzl 195% conf. rntervall

_robat_l | 2.260014 .2s1"8086 7.32 0.000 1,.8L6649 2.811-584
-Istadium 1- I I.780237 .2OGL22I 4.98 0.000 1.418804 2.233741,
Gqmbor 1O.2. Oulpuf dori reduced model. Niloi LR dori reduced model
odoloh sebesor 93,30
Berdasarkan gambar I dan 10.2, l<ita memperoleh informasi

10.
bahwa LR ful modeladalah 127,68 sementara LR reduced model
adalah 93,30. Berdasarkan hasil analisis pada Bab 8, jumlah variabel
interaksi padafull model adalah satu variabel yaitu interaksi antara
jenis kelamin dengan stadium. Sementara itu, berdasarkan analisis
Bab 9, jumlah strata ada dua yaitu laki-laki dan perempuan. Dengan
informasi tersebdrt, kita sudah dapat menghitung perbedaan LR
untuk setiap df.
tRf-tRr
LLRr df'- P(k-r)
Memilih Model Reduced atau Fu,. Moderi@re

ALR/df = selisih LR untuk setiap degree of freedom
LRf = LR flull model= 127,68
LRr = LR reduced model= 93,30
P(k-l) = degree offreedom
P - Jumlah variable interaksi padafull model=l
K - Jumlah strata pada reduced model= 2
1 27' 68 - 93' 30 = 34,38
AtR / df - r(2 - r)
Karena nilai ALR/df > 3,8, maka Ho ditolak. Ho ditolak berarti

reduced modeltidak dapat diterima sehingga yang dapat diterima
adalah full model. Dengan demikian, secara statistik, ful/ model lebih
baik daripada reduced model.
ALIS6 SURVIVAL; Dasar-Dasar kori dan Aplikasi Program Stata

Daftar Pustaka
Kleinbaum DG. Survival analysis: a self-learning text. New

York Springer; 1996
BewickV Cheek L and Ball J. Statistics l2: Survival analysis.

Criticol Ca re 2004, 8: 3 89-3 94
ClarkTG, Bradburn MJ, Love SB,Altman DG. SurvivalAnalysis

Part l: Basic concepts and first analyses. British Journal of Cancer
(2003) 89,232-238.
ClarkTG, Bradburn Mj, Love SB,Altman DG. SurvivalAnalysis

Part ll: Multivariate data analysis - an introduction to concepts and
methods. British Journal of Cancer (2003) 89,43t - 436

Part lll: Multivariate data analysis - choosing a model and assessing
its adequacy and fit. British Journal Of Cancer (2003) 89, 605-
6il
Part lV: Further concepts and methods in survival analysis. British
Journal of Cancer (2003) 89 (5),781-786
Hosmer DW. Review of An lntroduction to SurvivalAnalysis

Using Stata.The Stata Journal (2OO2) 2, Number 4,pp.428-431
lachine l. Additional nores: Survival analysis with STATA.

2003
Stolberg HO, Norman G,Trop l. Survival Analysis.AJR:185,

july 2005, 19-22
Memilih Model Reduced atau Full Model

Lampiran
Beberapa perintah stata yang Penting untuk analisis survival
No Tujuan Perintah umum Contoh
I Mempersiapkan data
stset t, failure(fail) stset time, fai lu re(status)
untuk analisis survival
2 Kurva Kapplan Meier Sts graph, by(variabel) sts graph, by(obat)
3 Kurva -ln ln survival stphplot, by(variabel) stphplot, by(obat)
4 Global test . stcox variable, . stcox variable,
schoenfeld (schx) schoenfeld(sch*)
scaledsch(sca*) scaledsch(scax)
. stphtest . stphtest
. drop schl scal . drop schl scal
5 Cox regression meminta xi:stcox variablenumeric

xi:stcox i.obat i.stadium
hazard ratio i.variablecategoric
6 Cox regression meminta xi:stcox variablenumeric xi:stcox i.obat i.stadium,
koefisien i.variablecategoric, no hr nohr
7 Cox regression meminta xi:stcox variablenumeric

xi:stcox i.obat i.stadiu)vr.
baseline survivol i.variablecategoric,
basesurv(s0)
basesurv(s0)
I Cox regression meminta xi:stcox variablenumeric

xi:stcox i.obat i.stadium,
boseline hazard i.variablecategoric,
basechazard(s0)
basechazard(h0)
9 Membuat variabel gen variable =

Gen sexobat = sex*obat
intera.ksi variable I *variable2
t0 Cox regression reduced xi:stcox variablenumeric

xi:stcox i.obat i.stadium,
model i.variablecategoric,
strata(sex)
strata(variable)
il Menampilkan boseline
hozard pada outPut Tab time, summarize(ho) Tab time, summarize(ho)
ANALISIS SURVIVAL; Dasar-Dasar Teori danAplikasi Program Stata

t2 Menainpilkan baseline
Tab time, summarize(so) Tab time, summarize(so)
survival pada output
t3 Menampilkan bose/ine
hozard pada output Tab time variable, Tab time sex,

berdasarkan strata summarize(ho) summarize(ho)
t4 Menampilkan baseline
Tab time variable, Tab time sex,
survival pada output
summarize(so) summarize(so)
berdasarkan strata
Memilih Model Reduced atau Full Model!

Analisis Survival PDF

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

Analisis Survival PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

::.

€obal*.kita.b-adingkail dua buah situasi.:Situasi'pertama-

Pada situasi pertama, mungkin Anda akan mengendarai

Terdapat kesamaan dan perbedaan antara dua situasi di

: . :: : :::'! !'.1': : !: :": : : :' :

Te,rdapat tiga' orang Felariya4g mengikuti lor,nba lari' 1 6S .'

Kapan Menggunakan Analis is Survival?

Marilah kita perhatikan gambar 1.3. Pada kelompokA terdapat

ANALISIS SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

Tabel berikut menyajikan bagaimana cara kita menghitung

Tabel l. l. Perbandingan antara insiden dengan insidens rate

Obat I l"leningga 5 415:$Oo/c 5+5+5+5+ l0:30 4/30: 0, I 3

s.]:l:l..r !q:Es .'5,:l

'Q&qi. ii:l:: Yl€'.ingc? 2, 4ls SAaA 2+2+2+4+!0420 r.a/;€]*,,9!Q]1

lnsidens = jumlah pasien meninggal/jumlah pasien

Pasien pertama pada obat A meninggal dalam waktu lima

Y :'. Y.":.' :".o :.:' :' :': ::--''

W '. 1,i','.Kaparikah.lq4 rnel*ku:kan.'analis' survival? : . l

'.,. ,:.',:Jelatkan.b*ber.apa istitah'berikut i*i;'

' ': r. lnsiden : .

' : ' i.b. ',

: :y::: ::':'I'.'.'::-3.":': :::',:'; :::':: ::':

Kurva pada gambar 2.1. merupakan perbandingan survival

2. Survival rote untuk waktu-\rvaktu tertentu.

Waktu Survival (tahun)

Gombor 2.2. Coro memperoleh survivol rqle pqdo tohun ke-5

Pada kelompok obat standan survivalrote pada tahun 5 adalah

Gombor 2.3. Coro memperoleh medion survivol

4. Asumsi proporsional hazard

Gombor 2.4. Kvrvo survivol yqng memenuhi osumsi proporsionol

2.OO 4.00 6.00 8.00 t0.00 t2.00

Waktu Survival (tahun)

Gombor 2.5. Grofik Kopplon Meier yong tidok memenuhi osumsi PH

Asumsi PH sangat penting dalam analisis survival. Pentingnya asumsi

SURWVAL: Dasar-Dasar Teori dan Aplikasi Program Stala

Pada tabel di atas, bila kita bandingkan B

Untuk lebih memahami konsephazard rasio,marilah kita lihat

Gqmbor 2.7. Kuwo Kopplon Meier dengon niloi Hozord Rosio

B. Gara entri data untuk analisis survival

jauh lagi mengenai analisis survival, ada baiknya kita mempelajari

Syarat minimal suatu set data bisa dianalisis dengan analisis

Variabel status menuniukkan status pasien pada akhir

b. Variabel person time

:'::': .':: :?.^.": : : :' : :.^:'.:Y.' : : Y:: :::

Person time Waktu Bulan Bulan

Variabel Perilaku | : peminum alkohol | : tidak minum

Variabel bebas dapat berupa variabel numerik maupun

Alternatif pertama, kategori "pembanding" secara konsisten

Jelaskan apa yang dimaksud dengan :

l- Grafik Kapplan Meier

ANALISIS SURI.IVAL: Dasar-Dasar Teori dan Aplikasi Program Stata

I Sensoii'l 2€, .'<40 Seimbang

4 Se*Sor: t8 s,40 Seimbani

6 Event t2 >40 Ti&k:ieim,banE

9 Sensor t,6 <40 Seimbang

ll Sensor l',2 <40 Seimbeni

t3 Event l4 >40 Tidak seimbang

t5 Sensor: t8 <40 Tidak seimbang

1,6 Senloi r8 i40 Seimbang

l'7 Event t6 >.40 Seimbang

J.8 SenSoa. t8 s4O '' Seimbahg

,J.9 Sensor t,8, <'40 rSeimbang

'.,. ,:.',:Jelatkan.bber.apa istitah'berikut ii;'

10 ' 16 l,'!eni ngga 11 'bat ta !tad'i unr

nmm l.CIKl lEilcst-"l f-* ,sbmit*l

iil;; tq-,:9.'iqi,:-rt-eeu+"t'{li!"lgs,"Ftg:-+riSeojtru:- -t,ssed,igmq-i.eisi'it,-

I :!i** ris: +r :.!!:+ s il she trituhe cs{ibEe bdds

gtrenr l,{edr-'i t! iddl. iFd lase,