ANALISIS SURVIVAL WEIBULL 3P MENGGUNAKAN APLIKASI

WINBUGS
(Studi Kasus Demam Berdarah Dengue (DBD) di Kota Malang)
Nur Mahmudah

Jurusan Matematika, F.MIPA, Universitas Brawijaya

Email:mudah15@gmail.com

Abstrak. Analisis survival adalan suatu analisis data untuk mempelajari dan memodelkan hubungan antara faktor resiko dan
waktu (time) sampai suatu peristiwa terjadi. Salah satu penerapan dari regresi survival adalah untuk mengetahui laju
kesembuhan penderita demam berdarah dengue (DBD). Untuk mengetahui laju kesembuhan DBD digunakan fungsi hazard
dan fungsi survival yang berdistribusi weibull 3 parameter, di mana metode estimasi parameter yang digunakan adalah
metode Bayesian. Tujuan dari penelitian ini adalah memperoleh fungsi survival dan fungsi hazard pada data survival tahun
2013 untuk kejadian DBD di Kota Malang. Fungsi survival menandakan bahwa kemampuan pasien untuk bertahan selama
waktu ke-t, artinya pada hari ke-t pasien telah mengalami kesembuhan. Sedangkan fungsi hazard mengidentifikasi laju
kesembuhan pasien DBD meningkat seiring waktu pengamatan ke-t.
Kata Kunci: DBD, Bayesian, Survival Weibull-3Parameter, Fungsi Hazard dan Fungsi Survival

1. PENDAHULUAN
Analisis survival adalah suatu analisis data untuk mempelajari dan memodelkan hubungan
antara faktor resiko dan waktu (time) sampai suatu peristiwa terjadi. Waktu (time) yang dimaksud
adalah tahun, bulan, minggu atau hari sejak waktu individu masuk dalam penelitian sampai terjadi
suatu peristiwa dan variabel penjelas yang digunakan adalah variabel bebas (kovariat).
Menurut Thamrin (2008) fungsi yang menggambarkan hubungan antara kovariat dan waktu
sampai suatu peristiwa terjadi disebut sebagai fungsi survival, sedangkan fungsi hazard sebagai reaksi
sesaat atau laju kegagalan (failure) sesaat ketika mengalami kejadian (event) pada waktu ke-t dan
menafsirkan peluang individu mengalami suatu event dalam waktu ke-t. Untuk menghitung parameter
dalam model weibull 3 parameter pada fungsi survival dan fungsi hazard digunakan pendekatan
Bayesian dengan simulasi numerik Markov Chain Monte Carlo (MCMC). Hal ini dikarenakan
pendekatan dengan Bayesian dapat dilakukan berdasarkan pada data yang ada meskipun tidak ada
asumsi distribusi pada data tersebut (Thamrin, 2008).
Berdasarkan penelitian yang dilakukan Sari (2013), di mana menggunakan sebaran gamma
dengan kenaikan laju kesembuhan kecil. Oleh karena itu, dalam penelitian ini digunakan sebaran
weibull 3 parameter untuk menerapkan fungsi peluang dan laju kesembuhan. Penelitian ini bertujuan
untuk mengetahui fungsi hazard dan fungsi survival pada lama rawat inap pasien demam berdarah
dengue di Rumah Sakit Islam UNISMA Malang.

2. TINJAUAN PUSTAKA

2.1 Analisis Survival

Salah satu tipe data yang memiliki waktu dari suatu peristiwa awal sampai muncul kejadian
gagal disebut sebagai waktu survival yang memiliki dua karakteristik, yaitu (1) tidak negatif dan
memiliki sebaran dengan ekor yang panjang, (2) beberapa subyek mungkin memiliki periode sehingga
waktu kejadian gagal tidak diketahui atau secara umum waktu survival yang tidak diketahui
dinamakan data tersensor. Survival time adalah suatu variabel yang mengukur waktu dari sebuah titik
awal tertentu. Analisis survival bertujuan memodelkan distribusi yang mendasari variabel vaktu
kegagalan dan menafsirkan ketergantungan variabel waktu kegagalan dengan variabel bebas
(Thamrin, 2008).

2.2 Fungsi Survival dan Fungsi Hazard

Misalkan T adalah variabel acak non negatif yang mengambarkan waktu survival individu dari
suatu populasi. Peluang t pada analisis survival secara umum digambarkan pada 3 fungsi yaitu fungsi
kepekatan peluang, fungsi survival dan fungsi hazard (Kleinbum dan Klien, 2005).

237
 Jika T melambangkan waktu survival dan mempunyai density peluang (f(t)) maka fungsi
distribusi kumulatif dinyatakan sebagai berikut:
t
F (t )  P(T  t )   f (t )dt (1)
0

Lee (1992) menyatakan bahwa fungsi survival (S(t)) merupakan peluang seorang individu untuk
bertahan hidup dari suatu waktu t atau fungsi survival adalah peluang waktu survival lebih besar dari t
yang dinyatakan sebagai berikut:
(2)
S  t   P T  t   1  P T  t   1  F (t )

Sedangkan fungsi hazard adalah reaksi sesaat atau laju kegagalan (failure) sesaat ketika
mengalami kejadian (event) pada waktu ke-t dan dinyatakan sebagai berikut:
P(t  T  t  t | T  t )
h(t )  lim
t 0 t
Fungsi hazard menafsirkan peluang individu mengalami suatu event dalam waktu ke-t dan
merupakan terjadinya kesembuhan yang dinyatakan sebagai berikut:
h(t )dt  P(t  T  t  t | T  t )

P( AB)
Dengan menggunakan teori peluang bersyarat P  A|B   dan pembilang dalam limit
P( B)
persamaan h(t), hubungan antara fungsi survival dan fungsi hazard ditentukan sebagai berikut:
P(t  T  t  t ) F (t  t )  F (t )

P(T  t ) S (t )
di mana F(t) merupakan fungsi distribusi dari T, maka persamaan dapat ditulis sebagai berikut:
 F (t  t )  F  t   1
h  t   lim  
t  0
 t  S t 
1  dF (t ) 
  
S (t )  dt 
f t 
 (3)
S (t )

2.3 Pendekatan Bayesian

Secara umum estimasi yang digunakan dalam statistika inferensia didasarkan pada data sampel
dalam populasi. Berbeda halnya dengan estimasi pada pendekatan Bayesian, di mana memanfaatkan
informasi dari data sampel dan memperhitungkan suatu distribusi awal yang disebut sebagai distribusi
prior sehingga menghasilkan distribusi posterior (Ntzoufras, 2009). Distribusi posterior data
disimbolkan dalam persamaan berikut :

p  | X  I  X |   p  
Menurut Ntzoufras (2009), Markov Chain Monte Carlo (MCMC) adalah suatu pendekatan
numerik yang digunakan untuk mendapatkan distribusi posterior. MCMC juga merupakan metode
simulasi antara Monte Carlo dengan sifat Markov Chain. Selain itu, MCMC digunakan untuk
mendapatkan data sampel berdasarkan skenario sampling tertentu dan Gibb Sampling merupakan
iterative sampling dari setiap distribusi conditional. MCMC membangkitkan data sampel parameter 
yang memiliki distribusi tertentu melalui gibbs sampling. Iterasi dalam gibbs sampling nilai setiap
langkah bergantung pada satu langkah sebelumnya.
Pada penelitian ini distribusi lama rawat inap (waktu survival) pasien DBD mengikuti distribusi
weibull 3 parameter (a, c dan b). Sehingga fungsi kepekatan peluang dinyatakan sebagai berikut:

238
 f (tij )  ba(tij  c) a 1 exp(b(tij  c) a )
Sedangkan fungsi distribusi kumulatif,
F (tij )  p(T  tij )
tij

  ba(tij  c) a 1 exp(b(tij  c) a )dt

c
tij

   exp(b(tij  c) a )dt  (exp(b(tij  c) a )) |cij  (exp(  (tij  c  )  exp(  (0)))

t

 1  exp(b(tij  c) a )
dengan t ≥ c dan b, a > 0, b adalah parameter skala, a adalah parameter bentuk c adalah parameter
lokasi, di mana jika c = 0 maka distribusi berubah menjadi weibull 2 parameter. Berdasarkan
persamaan (1) dan (2), maka fungsi survival dari distribusi weibull 3-parameter:
S (t )  1  F (t ) (4)
 1  (1  exp(b(tij  c) a  exp(b(tij  c) a )
Sesuai persamaan (3) fungsi hazard adalah:
f (t ) ba(tij  c) a 1 exp(b(tij  c) a ) (5)
h(tij )    ba(tij  c) a 1
S (t ) exp(b(tij  c) a )
Estimasi untuk setiap parameter diperoleh melalui bentuk distribusi bersyarat penuh dari setiap
parameter yaitu a, c dan b dengan penentuan distribusi posterior terlebih dahulu. Distribusi
posterior merupakan gabungan antara prior conjugate dan informatif , yaitu:
Gamma (n,m) Normal (s,r) Gamma (n,m)
Distribusi penuh untuk setiap parameter model diperoleh melalui penurunan dari bentuk
distribusi gabungan semua variabel dalam model, sehingga distribusi posterior bersyarat penuh
proporsional dapat dicari melalui fungsi likelihood dikali dengan prior. δij menyatakan status penderita
(dalam kasus ini 0 = meninggal, pulang paksa, di rujuk ke rumah sakit lain dan 1 = jika pasien pulang
dalam keadaan membaik atau sembuh) . t merupakan waktu dan Xij merupakan vektor dari kovariat,
sehingga join distribusinya adalah:
p(b, a, c | tij , X ij , δij   Lb, a, c; tij , X ij , δij  p(b) p(a) p(c)

3. SUMBER DATA
Penelitian ini menggunakan data sekunder keadaan pasien rawat inap DBD di RSI UNISMA
Malang. Data yang diambil adalah data lama rawat inap hingga pasien dinyatakan pulang atau failure
event dan waktu rekap medis mulai tanggal 4 Februari sampai 13 November 2013. Variabel yang
digunakan adalah waktu survival.

4. HASIL DAN PEMBAHASAN

Fungsi survival dan fungsi hazard pasien DBD di RSI UNISMA Malang dibentuk berdasarkan
hasil estimasi dari distribusi weibull 3 parameter melalui pendekatan Bayesian terhadap data waktu
survival. Hasil estimasi distribusi weibull 3 parameter tersaji pada Tabel 1.

Tabel 1. Estimasi distribusi weibull 3 parameter

Parameter Mean 2,5% Median 97,5%
Alpha(a) 1,954 1,585 1,946 2,587
Beta(b) 0,05471 0,02209 0,05191 0,1029
Gamma(c) 0,6614 0,3027 0,6829 0,8971
Tabel 1 merupakan estimasi weibull 3 parameter yang dianggap signifikan jika selang 2,5%
hingga 97,5% tidak memuat nilai 0, artinya parameter yang diduga merupakan distribusi weibull 3
parameter. Untuk menghitung fungsi survival dan fungsi hazard pada distribusi weibull 3 parameter,
digunakan persamaan (4) dan (5). Dari perhitungan tersebut diperoleh fungsi survival dan fungsi

239
hazard. Jika nilai fungsi survival semakin menurun dan fungsi hazard semakin meningkat, seiring
lama waktu survival maka dapat disimpulkan bahwa semakin lama pasien rawat inap, peluang
kemampuan untuk bertahan pasien akan semakin rendah dan laju kesembuhan pasien akan tinggi
seperti yang disajikan pada Tabel 2 berikut.

Tabel 2. Fungsi survival dan fungsi hazard

Hari S(t) h(t)
1 0.993429 0.038046
2 0.907805 0.141194
3 0.749953 0.240423
4 0.561629 0.337654
5 0.381897 0.433534
6 0.236066 0.528393
7 0.132773 0.622433
8 0.067998 0.715791
9 0.031730 0.808563
10 0.013498 0.900824
Tabel 2 menunjukan bahwa semakin lama rawat inap maka laju kesembuhan pasien akan
semakin meningkat dan peluang bertahan selama waktu ke-t akan menurun sehingga semakin lama
rawat inap maka akan sembuh, misalnya peluang bertahan pada hari ke-4 sebesar 0,561 artinya
banyaknya pasien yang belum sembuh pada hari ke-4 sebesar 56%, sedangkan bedasarkan fungsi
hazard pada hari ke-4 laju kesembuhan pasien sebesar 0,337 artinya banyaknya pasien yang akan
sembuh pada hari ke-4 sebesar 3,37%. Berikut merupakan aplikasi program untuk menghitung fungsi
survival dan fungsi hazard dengan aplikasi WinBUGS.
model;
{
for (i in 1: Nsubj){
obs,t[i]~dweib3(alpha,beta,gamma)I(t,cen[i],)
}
alpha~dgamma(1,1)
beta~dgamma(1,1)
gamma~dnorm(3,3)
}
list(alpha=1,beta=1, gamma=0)
list(Nsubj=99,obs,t=c(4,3,5,1,8,7,…………,4,3),
t,cen=c(1,0,1,1,0,1,1,1,1,1,……………………,1))

5. KESIMPULAN
Berdasarkan analisis survival weibull 3 parameter pada kejadian demam berdarah dengue di RSI
UNISMA Malang dapat disimpulkan bahwa fungsi survival dari waktu ke waktu menandakan bahwa
semua pasien telah mengalami kesembuhan dan fungsi hazard mengalami kenaikan artinya semakin
lama pasien rawat inap maka laju kesembuhan akan meningkat dan kemungkinan untuk sembuh
semakin besar.

DAFTAR PUSTAKA
Lee, E.T., (1992), Statistical Models and Methods for Lifetime Data, John Wiley & Sons, Inc., New
York.
Klienbum, D.G. dan Klien, M., (2005), Survival Analysis, A Self-Learning Text, Springer Science
Bussiness Media, Inc., USA.
Ntzoufras, I., (2009), Bayesian Modeling Using WinBUGS, John Wiley & Sons, Inc., USA.
Sari. N.W.W., (2013), Proses Proporsional Hazard Model with Approach of Bayesian, Jurnal
Esponensial, 4, hal. 9-16.
Thamrin, S.A., (2008), Penggunaan Model Resiko Proprotional Cox dengan Pendekatan Bayesian
Semiparametrik Menggunakan Prior Proses Gamma, Jurnal Paradigma, 2, hal. 29-38.

240