ANALISIS SURVIVAL KEJADIAN BERULANG

RECURRENT EVENT SURVIVAL ANALYSIS

KELOMPOK 4
MUHAMMAD FADLAN (1511140005)
USNI HAMAMAH (1511140008)
NURUL AZIZAH MUZAKIR (1611140003)
TINA (1611140009)
AMALIAH RAFIQ (1611142001)
MUH. RIDWAN RM (1611142003)
ELMA SELVIANA DARWIS (1611120011)

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MAKASSAR
2019
A. Kejadian Berulang
Pada umumnya, analisis survival hanya memperhatikan kejadian tunggal
yang dialami subjek atau setiap subjek hanya mengalami satu kali kejadian, namun
tidak menutup kemungkinan bahwa kejadian yang diinginkan peneliti mungkin
terjadi lebih dari satu kali dalam suatu subjek.

Kejadian berulang dalam analisis survival terdiri dari dua macam menurut
Kleinbaum dan Klein (2005), yaitu kejadian berulang identik dan kejadian
berulang tidak identik. Kejadian berulang dikatakan identik jika urutan kejadian
berulang tidak menimbulkan efek perbedaan tertentu. Sebagai contoh kasus
serangan jantung, baik kasus serangan jantung yang pertama, kedua, dan
selanjutnya dianggap sama dan tidak mengalami tingkat keparahan yang berbeda,
tidak dibedakan tipenya maka dianggap kejadian berulang identik. Kejadian
berulang dikatakan tidak identik jika ada urutan kejadian berulang atau perbedaan
kategori yang lain yang menyebabkan efek perbedaan tertentu pada kejadian
berulang. Misalkan pada kasus penyakit kanker otak, apabila diasumsikan ada
perbedaan urutan kejadian tumor, tumor pertama, kedua, dan selanjutnya, maka
kejadian tumor berulang tersebut tidak identik dan dapat dikategorikan.

Analisis yang digunakan pada kejadian berulang identik adalah model atau
pendekatan Counting Process yang dikembangkan oleh Anderson Gill. Model
Counting Process mengkaji hubungan antara waktu survival dengan variabel-
variabel yang diduga memengaruhi waktu survival. Pada kejadian berulang tidak
identik, analisis survival menggunakan pendekatan model Cox Stratifikasi.

B. Contoh Counting Process

Untuk mengilustrasikan pendekatan counting process, kita

mempertimbangkan data dari dua subjek pada Tabel 1. yaitu Al dan Hal dari uji
coba acak yang membandingkan dua perlakuan untuk kasus kanker tumor kandung
kemih.
 Tabel 1. Subjek Hipotesis Kejadian Kanker Kandung Kemih
Time Interval Event Indicator Treatment Group
Al 0 to 3 1 1
3 to 9 1 1
9 to 21 1 1
21 to 23 0 1
Hal 0 to 3 1 0
3 to 15 1 0
15 to 25 1 0

Berdasarkan Tabel 1. Al mengalami kanker kandung kemih berulang pada

bulan ke 3, 9, dan 21 pengamatan dan kanker kandung kemih tidak kambuh pada
bulan ke 23, setelah itu subjek tidak lagi diamati. Al menerima perawatan yang
diberi kode 1.

Untuk Hal, kanker kandung kemih berulang atau kambuh pada bulan ke 3,
15, dan 25 pengamatan, setelah itu subjek tidak lagi diamati. Hal menerima
perawatan yang diberi kode 0.

Tabel 2. Subjek Hipotesis Kejadian Kanker Kandung Kemih

Al Hal
Number recurrent events 3 3
Follow-up time 23 months 25 months
Event time from start to 3,9,21 3,15,25
follow-up
Additional months of 2 months 0 months
follow-up after last event

Berdasarkan Tabel 2. Al mengalami tiga kejadian selama waktu

pengamatan, yaitu 23 bulan dan Hal juga mengalami tiga kejadian selama waktu
pengataman, yaitu 25 bulan.
 Tiga kejadian yang dialami oleh Al terjadi pada waktu survival yang
berbeda dari tiga kejadian yang dialami oleh Hal.

Al mempunyai dua bulan waktu tambahan pengamatan setelah kekambuhan

tumor terkahirnya, namun selama dua bulan tersebut tidak ada kejadian atau
kekambuhan yang terjadi.

Berikut adalah contoh data layout untuk pendekatan counting process yang
dissajikan pada Tabel 3.

Tabel 3. Contoh Data Layout untuk Pendekatan Counting Process

Subj Interval Time Time Event Treatment

Number Start Stop Status Group
Al 1 0 3 1 1
Al 2 3 9 1 1
Al 3 9 21 1 1
Al 4 21 23 0 1
Hal 1 0 3 1 0
Hal 2 3 15 1 0
Hal 3 15 21 1 0

Pada Tabel 3. memperlihatkan bahwa setiap subjek berkontribusi satu baris

data untuk setiap interval waktu sesuai dengan setiap kejadian berulang dan setiap
interval waktu tambahan pengamatan. Perlu diperhatikan bahwa setiap baris data
untuk subjek yang diberikan mencantumkan waktu mulai dan waktu berhenti untuk
setiap interval pengamatan. Hal ini berbeda dengan standar data layout untuk
kejadian tidak berulang dimana pada kejadian tidak berulang hanya mencantukan
waktu berhenti.

C. Data Layout Umum untuk Pendekatan Counting Process

Data layout umum untuk pendekatan counting process disajikan pada Tabel
4. untuk data yang melibatkan N subjek.
 Tabel 4. Data Layout Umum: Pendekatan Counting Process

Keterangan:

N = total subjek

ri = interval waktu untuk subjek i

𝛿𝑖𝑗 = status event (kejadian) subjek i pada interval j

𝑡𝑖𝑗0 = waktu mulai subjek i pada interval j

𝑡𝑖𝑗1 = waktu berhenti subjek i pada interval j

𝑋𝑖𝑗𝑘 = nilai variavel prediktor subjek i pada interval j

i = 1,2,..., N

j = 1.2, ..., ni

k = 1,2, ..., p

D. Model dan Metode Counting Process

Model yang digunakan untuk melakukan pendekatan counting process

adalah Cox Proportional Hazard. Adapun model Cox PH adalah sebagai berikut

ℎ(𝑡, 𝑿) = ℎ0 (𝑡)exp⁡(∑ 𝛽𝑖 𝑋𝑖 )
𝑖

Seperti biasa, asumsi PH perlu dipenuhi untuk setiap variabel time-

independent. Jika terdapat variabel time-independent yang tidak memenuhi asumsi
PH, maka digunakan model Cox Stratifikasi atau perluasan model Cox. Model Cox
Stratifikasi juga diperlukan apabila variabel time-dependent dipertimbangkan.

Perbedaan utama dalam cara model Cox digunakan untuk menganalisis data
kejadian berulang dengan data kejadian tidak berulang adalah cara beberapa
interval waktu pada subjek yang sama diperlakukan dalam pembentukan fungsi
maximized likelihood untuk model Cox.

Untuk menyederhanakan, kita asumsikan bahwa data yang hanya

melibatkan variabel time-independent yang memenuhi asumsi PH. Untuk data
kejadian berulang, subjek penelitian dikeluarkan dari daftar risiko ketika subjek
tersebut mengalami kejadian atau tersensor dan tetap berada dalam daftar risiko
hingga akhir interval waktu survivalnya. Berbeda dengan data kejadian tidak
berulang, setiap subjek dikeluarkan atau dihapus dari daftar subjek yang berisiko
pada saat mengalami kejadian atau tersensor.
 Untuk subjek dengan dua atau lebih interval waktu, baris data yang berbeda
terhadap subjek yang sama diperlakkan di dalam analisis seolah-olah mereka
adalah kontribusi independen dari subjek yang berbeda meskipun nantinya terdapat
beberapa hasil pada subjek yang sama. Sebaliknya, untuk model Cox PH untuk
data kejadian tidak berulang, setiap baris data diperlakukan sebagai kontribusi
independen karena setiap baris data mewakili satu subjek yang berbeda.

Berikut data 26 subjek pertama (terdapat 86 subjek dari data dataset yang
lengkap) dari sebuah studi kejadian berulang kanker kandung kemih yang disajikan
pada Tabel 5.

Tabel 5. Studi Kanker Kandung Kemih terhadap 26 Subjek

id int event start stop tx num size

1 1 0 0 0 0 1 1
2 1 0 0 1 0 1 3
3 1 0 0 4 0 2 1
4 1 0 0 7 0 1 1
5 1 0 0 10 0 5 1
6 1 1 0 6 0 4 1
6 2 0 6 10 0 4 1
7 1 0 0 14 0 1 1
8 1 0 0 18 0 1 1
9 1 1 0 5 0 1 3
9 2 0 5 18 0 1 3
10 1 1 0 12 0 1 1
10 2 1 12 16 0 1 1
10 3 0 16 18 0 1 1
11 1 0 0 23 0 3 3
12 1 1 0 10 0 1 3
12 2 1 10 15 0 1 3
12 3 0 15 23 0 1 3
13 1 1 0 3 0 1 1
13 2 1 3 16 0 1 1
13 3 1 16 23 0 1 1
14 1 1 0 3 0 3 1
14 2 1 3 9 0 3 1
14 3 1 9 21 0 3 1
14 4 0 21 23 0 3 1
15 1 1 0 7 0 2 3
15 2 1 7 10 0 2 3
15 3 1 10 16 0 2 3
15 4 1 16 24 0 2 3
16 1 1 0 3 0 1 1
16 2 1 3 15 0 1 1
16 3 1 15 25 0 1 1
17 1 0 0 26 0 1 2
18 1 1 0 1 0 8 1
18 2 0 1 26 0 8 1
19 1 1 0 2 0 1 4
19 2 1 2 26 0 1 4
20 1 1 0 25 0 1 2
20 2 0 25 28 0 1 2
21 1 0 0 29 0 1 4
22 1 0 0 29 0 1 2
23 1 0 0 29 0 4 1
24 1 1 0 28 0 1 6
24 2 1 28 30 0 1 6
25 1 1 0 2 0 1 5
25 2 1 2 17 0 1 5
25 3 1 17 22 0 1 5
25 4 0 22 30 0 1 5
 26 1 1 0 3 0 2 1
26 2 1 3 6 0 2 1
26 3 1 6 8 0 2 1
26 4 1 8 12 0 2 1
26 5 0 12 30 0 2 1

Kejadian berulang yang dianalisis adalah kambuhnya tumor kanker

kandung kemih setelah eksisi bedah transurethral. Setiap kekambuhan tumor baru
diobati dengan pengangkatan pada setiap pemeriksaan.
Variabel tx merupakan variabel drug treatment status (status perawatan
obat) dimana kode 0 untuk placebo dan kode 1 untuk treatment dengan thiotepa
(sejenis obat kemoterapi untuk kanker). Kovariat yang tercantum pada Tabel 5.
adalah jumlah awal tumor (num) dan ukuran awal tumor (size) dalam sentimeter.
Untuk pengamatan / studi mengenai kanker kandung kemih yang ada pada
Tabel 5. model Cox PH yang terbentuk adalah sebagai berikut.
ℎ(𝑡, 𝑿) = ℎ0 (𝑡)𝐞𝐱𝐩⁡(𝛽𝒕𝒙 + 𝛾1 𝒏𝒖𝒎 + 𝛾2 𝒔𝒊𝒛𝒆)
Model di atas merupakan model tanpa interaksi (no-interaction model) karena tidak
memuat bentuk hasil kali (product terms) dari bentuk tx x num atau tx x size.
Tabel 6. di bawah menampilkan urutan waktu kegagalan dan informasi
subjek yang berisiko untuk 26 subjek pertama pada studi atau pengamatan kanker
kandung kemih
 Tabel 6. Urutan Waktu Kejadian dan Infomasi Risiko untuk 26 Subjek Pertama
pada Studi Kanker Kandung Kemih

Pada Tabel 6. terdapat 26 subjek yang diamati, sehingga banyaknya subjek

yang diamati berisiko pada awal pengamatan adalah 26. Karena subjek mengalami
kejadian atau tersensor selama pengamatan, banyaknya subjek yang diamati
berisiko akan berkurang. Subjek yang memiliki waktu tambahan pengamatan
setelah mengalami kejadian (event) pada waktu ke j tidak dikeluarkan pada daftar
berisiko setelah waktu ke j.
Model Cox PH tanpa interaksi:
ℎ(𝑡, 𝑿) = ℎ0 (𝑡)𝐞𝐱𝐩⁡(𝛽𝒕𝒙 + 𝛾1 𝒏𝒖𝒎 + 𝛾2 𝒔𝒊𝒛𝒆)
Fungsi likelihood adalah fungsi dari parameter-parameter 𝛽⁡⁡yang tidak
diketahui nilainya yang menggambarkan peluang bersama dari observasi data.
Fungsi likelihood yang digunakan dalam model Cox adalah fungsi partial
likelihood. Fungsi partial likelihood memperhatikan peluang untuk subjek yang
mengalami kejadian dan urutan kejadian. Misalkan terdapat k waktu kejadian dan
pada saat 𝑡𝑗 ⁡terjadi kejadian dengan 𝑗= 1,2,…, 𝑘, maka fungsi partial likelihood-nya
adalah 𝐿𝑗 dengan 𝑅(𝑡𝑗 ) adalah himpunan individu yang berisiko pada waktu 𝑡𝑗 ⁡
yang terdiri dari semua individu yang bertahan hidup hingga 𝑡𝑗 .
Pada Tabel 6. terdapat 22 ordered failure times (urutan waktu kejadian)
sehingga fungsi partial likelihoodnya menjadi
𝐿 = 𝐿1 𝑥𝐿2 𝑥 … 𝑥𝐿22
𝐿𝑗 = individual likelihood pada saat 𝑡𝑗 , dimana
𝑒𝑥𝑝(𝛽𝑡𝑥(𝑗) +𝛾1 𝑛𝑢𝑚(𝑗) +𝛾2 𝑠𝑖𝑧𝑒(𝑗) ) , 𝑗 = 1,2,...22 (1)
𝐿𝑗 = ∑
𝑠⁡𝑖𝑛𝑅(𝑡𝑗 ) 𝑒𝑥𝑝(𝛽𝑡𝑥𝑠(𝑗) +𝛾1 𝑛𝑢𝑚𝑠(𝑗) +𝛾2 𝑠𝑖𝑧𝑒𝑠(𝑗) )

Setiap individual likelihood 𝐿𝑗 pada dasarnya memberikan peluang subjek

mengalami kejadian pada saat 𝑡𝑗 . Jika hanya terdapat satu kejadian/ kegagalan pada
saat uruan kejadian ke j, maka 𝐿𝑗 dinyatakan seperti pada persamaan (1) dimana
𝑡𝑥(𝑗) , 𝑛𝑢𝑚(𝑗) , 𝑠𝑖𝑧𝑒(𝑗) menyatakan nilai dari varaibel 𝑡𝑥 , 𝑛𝑢𝑚, dan 𝑠𝑖𝑧𝑒 untuk
subjek yang mengalami kejadian pada bulan 𝑡(𝑗) . Sementara itu, 𝑡𝑥𝑠(𝑗) ,

𝑛𝑢𝑚𝑠(𝑗) ,⁡𝑠𝑖𝑧𝑒𝑠(𝑗) menyatakan nilai dari varaibel 𝑡𝑥 , 𝑛𝑢𝑚, dan 𝑠𝑖𝑧𝑒 untuk subjek s
pada himpunan individu yang berisiko 𝑅(𝑡𝑗 ).

Tabel 7. Data untuk Subjek 25

Id Int event start stop tx num size
25 1 1 0 2 0 1 5
 25 2 1 2 17 0 1 5
25 3 1 17 22 0 1 5
25 4 0 22 30 0 1 5

Sebagi contoh, subjek 25 mengalami kejadian yang ketiga kali pada bulan
22 dimana j = waktu kejadian yang ke 15 yang ada pada Tabel 6. Dapat dilihat
bahwa nj = 16 dari 26 subjek masih berisiko pada awal bulan 22. Himpunan individu
yang berisiko pada waktu tersebut termasuk subjek 25 dan beberapa subjek lainnya
yaitu subjek 12, 13, 14, 15, 16, 18, 19, dan 26 yang sudah mengalami setidakya satu
kegagalan / kejadian sebelum bulan 22.
Partial likelihood L15 pada saat t(15) = 22 adalah sebagai berikut
exp⁡(𝛽(0) + 𝛾1 (1) + 𝛾2 (5))
𝐿15 =
∑𝑠⁡𝑖𝑛𝑅(𝑡(15)) 𝑒𝑥𝑝(𝛽𝑡𝑥𝑠(15) + 𝛾1 𝑛𝑢𝑚𝑠(15) + 𝛾2 𝑠𝑖𝑧𝑒𝑠(15) )

Nilai 𝑡𝑥25(15) = 0, 𝑛𝑢𝑚25(15) = 1, 𝑠𝑖𝑧𝑒25(15) = 5, dan 𝑅(𝑡(15) = 22)⁡yaitu subjek

11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26.

E. Robust Estimation (Estimasi Robust)

Tabel 8. Data untuk Subjek 14
id int event start stop tx num size
14 1 1 0 3 0 3 1
14 2 1 3 9 0 3 1
14 3 1 9 21 0 3 1
14 4 0 21 23 0 3 1
Seperti yang diilustrasikan untuk subjek 14 pada Tabel 8. setiap subjek
berkontribusi satu baris data untuk setiap interval waktu bersesuaian dengan
kejadian berulang dan interval waktu tambahannya. Telah ditunjukkan pula analisis
model Cox PH yang setiap baris data diperlakukan / dianalisis berbeda dari subjek
yang sama seolah-olah mereka adalah subjek yang berbeda.
 Namun demikian, masuk akal jika kita melihat interval yang berbeda yang
dikontribusi oleh subjek yang diberikan sebagai mewakili pengamatan berkorelasi
pada subjek yang sama yang harus diperhitungkan dalam analisis.

Robust estimation (estimasi robust) merupakan teknik yang digunakan

untuk menyesuaikan korelasi antara hasil pada subjek yang sama. Teknik ini pada
dasarnya melibatkan penyesuaian estimasi variansi dari koefisien regresi yang
diperoleh dari model untuk menjelaskan kesalahan spesifikasi struktur korelasi
yang diasumsikan.

Pada pendekatan Counting Process, struktur korelasi yang diasumsikan

adalah independen, yaitu model Cox PH mengasumsikan bahwa hasil yang berbeda
pada subjek yang sama adalah independen. Oleh karena itu, tujuan estimasi robust
untuk pendekatan Counting Process adalah untuk mendapatkan estimastor variansi
yang menyesuaikan / memperbaiki korelasi dalam subjek ketika sebelumnya tidak
ada korelasi yang diasumsikan. Perhatikan bahwa estimasi koefisien regresi tidak
disesuaikan / diperbaiki melainkan hanya estimasi variansi dari koefisien regresi
yang disesuaikan / diperbaiki.

Robust estimator variansi dari estimasi koefisien regresi memungkinkan tes

hipotesis dan interval kepercayaan tentang parameter model yang
memperhitungkan korelasi dalam subjek. Secara singkat dijelaskan rumus untuk
variansi robust di bawah. Rumus ini dalan bentuk matriks dan melibatkan istilah
yang berasal dari himpunan persamaan “skor” yang digunakan untuk
menyelesaikan estimasi Maximized Likelihood (ML) dari koefisien regresi.

Rumus Matriks:

𝑅̂ (𝛽̂ ) = 𝑉𝑎𝑟
̂ (𝛽̂ )[𝑅𝑠′ 𝑅𝑠 ]𝑉𝑎𝑟
̂ (𝛽̂ )

dimana

̂ (𝛽̂) adalah matriks estimasi dari estimasi variansi dan kovarians yang diperoleh
𝑉𝑎𝑟
dari estimasi Maximized Likelihood (ML) dari model Cox.

𝑅𝑠 adalah matriks score residual yang diperoleh dari estimasi ML.

F. Simulasi di Program R

Data yang digunakan adalah data kejadian berulang kanker kandung kemih
yang telah disediakan di program R yang terdiri dari 59 subjek dengan mengetik
“bladder2”

> bladder2
id rx number size start stop event enum
1 1 1 1 3 0 1 0 1
2 2 1 2 1 0 4 0 1
3 3 1 1 1 0 7 0 1
4 4 1 5 1 0 10 0 1
5 5 1 4 1 0 6 1 1
6 5 1 4 1 6 10 0 2
7 6 1 1 1 0 14 0 1
8 7 1 1 1 0 18 0 1
9 8 1 1 3 0 5 1 1
10 8 1 1 3 5 18 0 2
11 9 1 1 1 0 12 1 1
12 9 1 1 1 12 16 1 2
13 9 1 1 1 16 18 0 3
14 10 1 3 3 0 23 0 1
15 11 1 1 3 0 10 1 1
16 11 1 1 3 10 15 1 2
17 11 1 1 3 15 23 0 3
18 12 1 1 1 0 3 1 1
19 12 1 1 1 3 16 1 2
20 12 1 1 1 16 23 1 3
21 13 1 3 1 0 3 1 1
22 13 1 3 1 3 9 1 2
23 13 1 3 1 9 21 1 3
24 13 1 3 1 21 23 0 4
25 14 1 2 3 0 7 1 1
26 14 1 2 3 7 10 1 2
27 14 1 2 3 10 16 1 3
28 14 1 2 3 16 24 1 4
29 15 1 1 1 0 3 1 1
30 15 1 1 1 3 15 1 2
31 15 1 1 1 15 25 1 3
32 16 1 1 2 0 26 0 1
33 17 1 8 1 0 1 1 1
34 17 1 8 1 1 26 0 2
35 18 1 1 4 0 2 1 1
36 18 1 1 4 2 26 1 2
37 19 1 1 2 0 25 1 1
38 19 1 1 2 25 28 0 2
39 20 1 1 4 0 29 0 1
40 21 1 1 2 0 29 0 1
41 22 1 4 1 0 29 0 1
42 23 1 1 6 0 28 1 1
43 23 1 1 6 28 30 1 2
44 24 1 1 5 0 2 1 1
45 24 1 1 5 2 17 1 2
46 24 1 1 5 17 22 1 3
47 24 1 1 5 22 30 0 4
48 25 1 2 1 0 3 1 1
49 25 1 2 1 3 6 1 2
50 25 1 2 1 6 8 1 3
51 25 1 2 1 8 12 1 4
52 26 1 1 3 0 12 1 1
53 26 1 1 3 12 15 1 2
54 26 1 1 3 15 24 1 3
55 26 1 1 3 24 31 0 4
56 27 1 1 2 0 32 0 1
57 28 1 2 1 0 34 0 1
58 29 1 2 1 0 36 0 1
59 30 1 3 1 0 29 1 1
60 30 1 3 1 29 36 0 2
61 31 1 1 2 0 37 0 1
62 32 1 4 1 0 9 1 1
63 32 1 4 1 9 17 1 2
64 32 1 4 1 17 22 1 3
65 32 1 4 1 22 24 1 4
66 33 1 5 1 0 16 1 1
67 33 1 5 1 16 19 1 2
68 33 1 5 1 19 23 1 3
69 33 1 5 1 23 29 1 4
70 34 1 1 2 0 41 0 1
71 35 1 1 1 0 3 1 1
72 35 1 1 1 3 43 0 2
73 36 1 2 6 0 6 1 1
74 36 1 2 6 6 43 0 2
75 37 1 2 1 0 3 1 1
76 37 1 2 1 3 6 1 2
77 37 1 2 1 6 9 1 3
78 37 1 2 1 9 44 0 4
79 38 1 1 1 0 9 1 1
80 38 1 1 1 9 11 1 2
81 38 1 1 1 11 20 1 3
82 38 1 1 1 20 26 1 4
83 39 1 1 1 0 18 1 1
84 39 1 1 1 18 48 0 2
85 40 1 1 3 0 49 0 1
86 41 1 3 1 0 35 1 1
87 41 1 3 1 35 51 0 2
88 42 1 1 7 0 17 1 1
89 42 1 1 7 17 53 0 2
90 43 1 3 1 0 3 1 1
91 43 1 3 1 3 15 1 2
92 43 1 3 1 15 46 1 3
93 43 1 3 1 46 51 1 4
94 44 1 1 1 0 59 0 1
95 45 1 3 2 0 2 1 1
96 45 1 3 2 2 15 1 2
97 45 1 3 2 15 24 1 3
98 45 1 3 2 24 30 1 4
99 46 1 1 3 0 5 1 1
100 46 1 1 3 5 14 1 2
101 46 1 1 3 14 19 1 3
102 46 1 1 3 19 27 1 4
103 47 1 2 3 0 2 1 1
104 47 1 2 3 2 8 1 2
105 47 1 2 3 8 12 1 3
106 47 1 2 3 12 13 1 4
107 48 2 1 3 0 1 0 1
108 49 2 1 1 0 1 0 1
109 50 2 8 1 0 5 1 1
110 51 2 1 2 0 9 0 1
111 52 2 1 1 0 10 0 1
112 53 2 1 1 0 13 0 1
113 54 2 2 6 0 3 1 1
114 54 2 2 6 3 14 0 2
115 55 2 5 3 0 1 1 1
116 55 2 5 3 1 3 1 2
117 55 2 5 3 3 5 1 3
118 55 2 5 3 5 7 1 4
119 56 2 5 1 0 18 0 1
120 57 2 1 3 0 17 1 1
121 57 2 1 3 17 18 0 2
122 58 2 5 1 0 2 1 1
123 58 2 5 1 2 19 0 2
124 59 2 1 1 0 17 1 1
125 59 2 1 1 17 19 1 2
[ reached getOption("max.print") -- omitted 53 rows ]

Variabel yang digunakan untuk analisis yaitu variabel start (waktu mulai), stop (w
aktu berhenti), event (kejadian: kekambuhan tumor kanker kandung kemih), rx (gr
oup treatment, 1 = placebo, 2 = thiotepa), number (jumlah awal tumor), dan size (u
kuran awal tumor dalam sentimeter).
Selanjutnya, dibuat data survival dengan menggunakan perintah Surv

> data = Surv(bladder2$start,bladder2$stop,bladder2$event)

> data
[1] ( 0, 1+] ( 0, 4+] ( 0, 7+] ( 0,10+] ( 0, 6] ( 6,10+] ( 0,1
4+] ( 0,18+]
[9] ( 0, 5] ( 5,18+] ( 0,12] (12,16] (16,18+] ( 0,23+] ( 0,1
0] (10,15]
[17] (15,23+] ( 0, 3] ( 3,16] (16,23] ( 0, 3] ( 3, 9] ( 9,2
1] (21,23+]
[25] ( 0, 7] ( 7,10] (10,16] (16,24] ( 0, 3] ( 3,15] (15,2
5] ( 0,26+]
[33] ( 0, 1] ( 1,26+] ( 0, 2] ( 2,26] ( 0,25] (25,28+] ( 0,2
9+] ( 0,29+]
[41] ( 0,29+] ( 0,28] (28,30] ( 0, 2] ( 2,17] (17,22] (22,3
0+] ( 0, 3]
[49] ( 3, 6] ( 6, 8] ( 8,12] ( 0,12] (12,15] (15,24] (24,3
1+] ( 0,32+]
[57] ( 0,34+] ( 0,36+] ( 0,29] (29,36+] ( 0,37+] ( 0, 9] ( 9,1
7] (17,22]
[65] (22,24] ( 0,16] (16,19] (19,23] (23,29] ( 0,41+] ( 0,
3] ( 3,43+]
[73] ( 0, 6] ( 6,43+] ( 0, 3] ( 3, 6] ( 6, 9] ( 9,44+] ( 0,
9] ( 9,11]
 [81] (11,20] (20,26] ( 0,18] (18,48+] ( 0,49+] ( 0,35] (35,5
1+] ( 0,17]
[89] (17,53+] ( 0, 3] ( 3,15] (15,46] (46,51] ( 0,59+] ( 0,
2] ( 2,15]
[97] (15,24] (24,30] ( 0, 5] ( 5,14] (14,19] (19,27] ( 0,
2] ( 2, 8]
[105] ( 8,12] (12,13] ( 0, 1+] ( 0, 1+] ( 0, 5] ( 0, 9+] ( 0,1
0+] ( 0,13+]
[113] ( 0, 3] ( 3,14+] ( 0, 1] ( 1, 3] ( 3, 5] ( 5, 7] ( 0,1
8+] ( 0,17]
[121] (17,18+] ( 0, 2] ( 2,19+] ( 0,17] (17,19] (19,21+] ( 0,2
2+] ( 0,25+]
[129] ( 0,25+] ( 0,25+] ( 0, 6] ( 6,12] (12,13] (13,26+] ( 0,
6] ( 6,27+]
[137] ( 0, 2] ( 2,29+] ( 0,26] (26,35] (35,36+] ( 0,38+] ( 0,2
2] (22,23]
[145] (23,27] (27,32] ( 0, 4] ( 4,16] (16,23] (23,27] ( 0,2
4] (24,26]
[153] (26,29] (29,40] ( 0,41+] ( 0,41+] ( 0, 1] ( 1,27] (27,4
3+] ( 0,44+]
[161] ( 0, 2] ( 2,20] (20,23] (23,27] ( 0,45+] ( 0, 2] ( 2,4
6+] ( 0,46+]
[169] ( 0,49+] ( 0,50+] ( 0, 4] ( 4,24] (24,47] (47,50+] ( 0,5
4+] ( 0,38]
[177] (38,54+] ( 0,59+]

Setelah membuat data survival, dibuat model Cox PH dengan perintah coxph

> model = coxph(data~bladder2$rx+bladder2$number+bladder2$size)

> summary(model)
Call:
coxph(formula = data ~ bladder2$rx + bladder2$number + bladder2$s
ize)

n= 178, number of events= 112

coef exp(coef) se(coef) z Pr(>|z|)

bladder2$rx -0.46469 0.62833 0.19973 -2.327 0.019989 *
bladder2$number 0.17496 1.19120 0.04707 3.717 0.000202 ***
bladder2$size -0.04366 0.95728 0.06905 -0.632 0.527196
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

exp(coef) exp(-coef) lower .95 upper .95

bladder2$rx 0.6283 1.5915 0.4248 0.9294
bladder2$number 1.1912 0.8395 1.0862 1.3063
bladder2$size 0.9573 1.0446 0.8361 1.0960

Concordance= 0.634 (se = 0.032 )

Rsquare= 0.094 (max possible= 0.994 )
Likelihood ratio test= 17.52 on 3 df, p=6e-04
Wald test = 19.11 on 3 df, p=3e-04
Score (logrank) test = 19.52 on 3 df, p=2e-04
Berdasarkan summary dari model, kita dapat membuat model Cox PH sebagai ber
ikut
ℎ(𝑡, 𝑿) = ℎ0 (𝑡)𝐞𝐱𝐩⁡(−0,465𝒓𝒙 + 0,175𝒏𝒖𝒎 − 0,044𝒔𝒊𝒛𝒆)

Uji asumsi variabel prediktor (variabel rx, num, dan size)

> b = cox.zph(model)
> b
rho chisq p
bladder2$rx 0.00269 0.000756 0.978
bladder2$number 0.04706 0.198349 0.656
bladder2$size -0.12212 1.704605 0.192
GLOBAL NA 2.273433 0.518

Untuk variabel rx didapatkan nilai probabilitas yaitu 0,978 yang lebih besar dari 𝛼
= 0,05 yang berarti variabel rx memenuhi asumsi PH. Untuk variabel number dipe
roleh nilai probabilitas yaitu 0,656 yang lebih besar dari 𝛼 = 0,05 yang berarti bah
wa variabel number memenuhi asumsi PH. Untuk variabel size diperoleh nilai pro
babilitas yaitu 0,518 yang lebih besar dari 𝛼 = 0,05 yang berarti bahwa variabel siz
e memenuhi asumsi PH.
Karena tidak ada variabel prediktor yang tidak memenuhi asumsi PH maka model
Cox yang dipilih adalah
ℎ(𝑡, 𝑿) = ℎ0 (𝑡)𝐞𝐱𝐩⁡(−0,465𝒓𝒙 + 0,175𝒏𝒖𝒎 − 0,044𝒔𝒊𝒛𝒆)
 DAFTAR PUSTAKA

Kleinbaum, D. G., & Klein, M. 2005. Survival Analysis A Self-Learning Text

second edition. New York: Springer Science+Business Media, Inc.