BESRAL Analisis Survival PDF
BESRAL Analisis Survival PDF
SURVIVAL
BESRAL
Departemen Biostatistik
FKM UI 2006
Prosedur Life Tables menghasilkan tabel kehidupan non parametrik dengan uji statistik yang
berkaitan. Anda juga dapat meminta plot ketahanan hidup (survival) dan hazard dan membandingkan
ketahanan hidup antar 2 kelompok. Pada prosedur Life Tables, SPSS akan membagi waktu
ketahanan hidup menurut interval yang Anda minta. Untuk meminta SPSS menghitung ketahanan
hidup hanya pada saat satu kejadian (event) terjadi, gunakanlah prosedur Kaplan-Meier.
Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan “hidup” sampai kejadian (event) terjadi atau
terjadi sensor.
Display Time Intervals. SPSS menggunakan waktu ke 0 sebagai awal untuk interval pertama pada
tabel kehidupan. Anda harus mengisikan waktu terakhir yang ingin ditampilkan dan interval waktu
BESRAL: Analisis Survival, FKM UI, 2006 Hal 2 dari 20
yang digunakan sebagai pembagi. Misalnya jika waktu ketahanan hidup diukur dalam tahun, isilah
10 untuk periode waktu 0 sampai dengan 10 tahun. Anda juga harus mengisikan interval waktunya.
Misalkan jika waktu ketahanan hidup diukur dalam tahun, isilah 1 untuk interval satu tahun.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Factor. SPSS akan membuat satu tabel kehidupan untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk membuat 2 atau lebih tabel kehidupan berdasarkan kelompok tertentu,
Anda dapat mengisikan variabel yang berisi data tentang pengelompokkan tersebut pada isian ini.
Anda juga harus mengisi kode nilai minimum dan maksimum dari variabel factor ini.
By Factor. Sebagai tambahan Anda dapat memilih faktor kedua. SPSS akan menghasilkan tabel
kehidupan untuk setiap kombinasi faktor 1 dan faktor 2. Anda juga harus mengisi kode nilai
minimum dan maksimum dari variabel factor ini.
Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Life Table Define Event
for Status Variable akan tampak seperti gambar 2.
Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).
Untuk tiap variabel faktor, Anda harus memberitahu level dari faktor yang ingin diikutsertakan
dalam analisis. Letakkan kursor pada faktor dan klik Define Range.... pada kotak dialog Life Tables.
Kotak dialog Life Tables Define Range for Factor Variable akan tampak seperti gambar 3.
Tambahan
Untuk memperoleh plot waktu ketahanan hidup, perbandingan antar kelompok, atau tidak
menampilkan tabel kehidupan, klik pada Options... pada kotak dialog Life Tables. Kotak dialog
Life Tables Options akan tampak seperti gambar 4.
Plot. Untuk plot SPSS akan menganggap kasus yang ada berasal dari satu kelompok, kecuali Anda
telah menentapkan variabel faktor. Jika Anda memiliki satu variabel faktor, SPSS akan
menggambarkan plot untuk tiap kelompok. Anda memilih satu atau lebih plot sebagai berikut:
Compare Levels of First Factor. Uji Wilcoxon (Gehan) digunakan untuk membandingkan
distribusi waktu ketahanan hidup pada variabel faktor yang pertama. Anda dapat memilih satu dari
alternatif berikut ini:
Penelitian: Satu penelitian dilakukan di kalangan orang dewasa dengan kadar kolesterol tinggi. Pada
penelitian ini ingin dilihat faktor-faktor yang mempengaruhi terjadinya serangan penyakit jantung
koroner (PJK). Di antara faktor yang diteliti adalah berat badan, tekanan darah sistolik, kadar
BESRAL: Analisis Survival, FKM UI, 2006 Hal 4 dari 20
kolesterol darah, jumlah batang rokok yang dihisap per hari, dan tipe kepribadian (A atau B). Peneliti
melakukan follow-up subyek selama 10 tahun. Interval waktu sejak subyek ikut penelitian sampai
dengan terjadinya PJK atau sampai subyek keluar dari peneliti dicatat pada variabel TIME. Tipe
kepribadian dicatat pada variabel PERSON (0=tipe A, 1=tipe B). Analisis tabel kehidupan digunakan
untuk melihat perbedaan aktu ketahanan hidup antara subyek yang memiliki kepribadian tipe A
dengan subyek yang memiliki kepribadian tipe B. Hasil analisis dengan SPSS adalah sebagai berikut:
SE of SE of
Intrvl Cumul Proba- SE of
Start Sur- bility Hazard
Time viving Densty Rate
------- ------ ------ ------
.0 .0000 .0000 .0000
365.0 .0000 .0000 .0000
730.0 .0285 .0001 .0001
1095.0 .0285 .0000 .0000
1460.0 .0285 .0000 .0000
1825.0 .0285 .0000 .0000
2190.0 .0418 .0001 .0001
2555.0 .0418 .0000 .0000
2920.0 .0418 .0000 .0000
Tabel di atas menunjukkan tabel kehidupan untuk kelompok subyek dengan kepribadian A (PERSON=0). Pada kolom
Intrvl Start Time Anda dapat melihat interval waktu yang digunakan untuk analisis tabel kehidupan. Pada baris pertama
interval waktu dimulai pada hari ke 0 dan berakhir pada hari ke 364, atau satu tahun. Pada kolom Number Entrng This
Intrvl, SPSS menampilkan jumlah subyek yang berhasil “selamat” sampai pada awal interval. Sebagai contoh pada baris
3, interval hari ke 730 sampai dengan 1094 (tahun ke 3), ada 68 subyek yang berhasil ‘selamat” sampai dengan awal
tahun ke 3. Pada kolom Number Withdrwn During This Intrvl ditampilkan jumlah subyek yang keluar dari penelitian
(withdrawn, loss of follow-up) pada interval ini. Pada tahun ke 3, tidak ada subyek yang keluar dari penelitian. Pada
kolom Number Exposd to Risk ditampilkan jumlah subyek yang berisiko. Jumlah subyek ini adalah jumlah subyek
yang berhasil “selamat” tiba pada awal interval dikurangi separuh dari subyek yang keluar dari penelitian pada interval
BESRAL: Analisis Survival, FKM UI, 2006 Hal 5 dari 20
tersebut. Kolom Number of Termnl Events menyatakan jumlah subyek yang mengalami kejadian, pada contoh ini
kejadian PJK. Pada tahun ke 3, ada 4 subyek yang mengalami PJK. Kolom Propn Terminating menyatakan proporsi
subyek yang mengalami kejadian PJK. Angka ini menggambarkan risiko terjadinya PJK pada interval tertentu. Pada
tahun ke 3, risiko untuk terjadinya PJK pada orang dengan kepribadian tipe A adalah 0.058 atau 5.8% jika orang tersebut
telah ‘selamat” tiba pada tahun ke 3. Kolom Propn Surviving menyatakan probabilitas subyek untuk tidak mengalami
PJK pada interval tertentu. Pada tahun ke 3, probabilitas subyek dengan kepribadian A untuk tidak terserang PJK adalah
0.9412 (atau 1-0.0588). Kolom Cumul Propn Surv at End menjelaskan survival rate pada akhir interval. Jadi pada baris
ke 3, 3 year survival rate terjadinya PJK pada subyek dengan kepribadian A adalah 0.9412. Dan 5 year survival rate
adalah 0.9412 dan 7 year survival rate 0.8739. Berarti pada tahun ke 7, 87.39% dari pasien dengan kepribadian A masih
bebas dari PJK. Median Survival Time menggambarkan median waktu ketahanan hidup, pada contoh ini adalah > 2990
hari.
Life Table
Survival Variable TIME for PERSON = 1
SE of SE of
Intrvl Cumul Proba- SE of
Start Sur- bility Hazard
Time viving Densty Rate
------- ------ ------ ------
.0 .0000 .0000 .0000
365.0 .0000 .0000 .0000
730.0 .0000 .0000 .0000
1095.0 .0285 .0001 .0001
1460.0 .0285 .0000 .0000
1825.0 .0472 .0001 .0001
2190.0 .0536 .0001 .0001
2555.0 .0609 .0001 .0002
2920.0 .0861 .0002 .0004
Tabel di atas menggambarkan distribusi ketahanan hidup untuk subyek dengan kepribadian B (PERSON=1). Interpretasi
tabel di atas mirip dengan interpretasi tabel kehidupan untuk subyek dengan kepribadian A.
Tabel di atas menguji distribusi waktu ketahanan hidup antara subyek yang memiliki kepribadian A dengan subyek yang
memiliki kepribadian B. Pada uji statistik Wilcoxon (Gehan), diperoleh nilai p=0.0188. Pada α=0.05, kita dapat
menyatakan ada perbedaan distribusi waktu ketahanan hidup antara orang yang memiliki kepribadian A dengan orang
yang memiliki kepribadian B.
Survival Function
1.00
.95
.90
Cumulative Survival
.85
.80
.75
.70
.65
.60 Personality
.55 Type B
.50 Type A
0 365 730 1095 1460 1825 2190 2555 2920
TIME (days)
Grafik di atas membandingkan fungsi ketahanan hidup (survival function) antara orang dengan kepribadian A dan orang
dengan kepribadian B. Pada grafik terlihat ada perbedaan fungsi ketahanan hidup mulai pada hari ke 2190 atau tahun ke
7.
Prosedur Kaplan-Meier pada SPSS menghitung kurva ketahanan hidup dengan metode product-limit
estimate. Sama seperti metode Life Tables, prosedur Kaplan Meier juga meghasilkan tabel
kehidupan non parametrik dan dapat melakukan uji beda distribusi ketahanan hidup antar 2
kelompok. Tetapi pada metode Life Tables, SPSS akan membagi waktu ketahanan hidup menurut
interval tertentu, sedangkan Kaplan-Meier menghasilkan estimasi ketahanan hidup pada waktu
kejadian (event) terjadi.
Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan “hidup” sampai kejadian (event) terjadi atau
terjadi sensor.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
BESRAL: Analisis Survival, FKM UI, 2006 Hal 8 dari 20
terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Factor. SPSS akan membuat satu tabel kehidupan untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk membuat 2 atau lebih tabel kehidupan berdasarkan kelompok tertentu,
Anda dapat mengisikan variabel yang berisi data tentang pengelompokkan tersebut pada isian ini.
Anda juga harus mengisi kode nilai minimum dan maksimum dari variabel factor ini.
Strata. Variabel kategorikal untuk analisis stratifikasi. Analisis akan dilakukan pada tiap stratum
untuk tiap level dari variabel faktor.
Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Kaplan-Meier Define
Event for Status Variable akan tampak seperti gambar 2.
Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).
Membandingkan Antar Kelompok
Jika Anda memiliki variabel faktor, Anda dapat meminta SPSS untuk melakukan uji untuk
membandingkan distribusi ketahan hidup. Klik pada Compare Factor... pada kotak dialog Kaplan-
Meier. Kotak dialog Kaplan-Meier Compare Factor Levels akan tampak seperti gambar 3.
Jika Anda ingin membadingkan semua level dari faktor, Anda dapat memilih:
Linear trend for factor levels. Menggunakan informasi tren untuk uji secara keseluruhan kesamaan
fungsi ketahanan hidup. Uji ini dapat dilakukan jika level dari faktor menunjukkan tingkatan yang
sebenarnya ada.
Untuk uji banding antar level faktor, Anda dapat memilih uji yang membandingkan semua level
faktor secara sekaligus atau uji antar pasangan pada level faktor. Anda dapat meminta penyatuan
hasil (pooling) antar strata atau uji terpisah untuk tiap stratum. Anda dapat memilih satu dari
alternatif berikut:
Pooled over strata. Membandingkan semua level faktor pada satu uji.
For each stratum. Melakukan uji terpisah untuk semua level faktor pada tiap stratum. Uji
hanya dapat dilakuka jika Anda memiliki variabel strata.
Pairwise over strata. Membandingkan tiap pasangan terpisah untuk level faktor.
Pairwise for each stratum. Membandingkan tiap pasangan terpisah dari level faktor untuk
tiap stratum.
Tambahan
Untuk memperoleh grafik plot waktu ketahanan hidup, perbandingan antar kelompok, atau tidak
menampilkan tabel kehidupan, klik pada Options... pada kotak dialog Kaplan-Meier. Kotak dialog
Kaplan-Meier Options akan tampak seperti gambar 4.
Survival table(s). Menampilkan product-limit estimate dari ketahanan hidup, standar error,
frekuensi kumulatif kejadian, dan jumlah subyek berisiko.
Mean and median survival. Menampilkan mean dan median dari waktu ketahanan hidup
dengan standar error dan confidence interval.
Quartiles. Menampilkan persentil 25, 50 dan 75 beserta standar error untuk waktu ketahanan
hidup.
Plots. Jika Anda memiliki variabel stratifikasi, plot terpisah akan dibuat untuk tiap stratum. Anda
dapat memilih satu atau lebih plot berikut ini:
Penelitian: Satu penelitian dilakukan di kalangan orang dewasa dengan kadar kolesterol tinggi. Pada
penelitian ini ingin dilihat faktor-faktor yang mempengaruhi terjadinya serangan penyakit jantung
koroner (PJK). Di antara faktor yang diteliti adalah berat badan, tekanan darah sistolik, kadar
kolesterol darah, jumlah batang rokok yang dihisap per hari, dan tipe kepribadian (A atau B). Peneliti
melakukan follow-up subyek selama 10 tahun. Interval waktu sejak subyek ikut penelitian sampai
dengan terjadinya PJK atau sampai subyek keluar dari peneliti dicatat pada variabel TIME. Tipe
kepribadian dicatat pada variabel PERSON (0=tipe A, 1=tipe B). Analisis Kaplan-Meier digunakan
untuk melihat perbedaan waktu ketahanan hidup antara subyek yang memiliki kepribadian tipe A
dengan subyek yang memiliki kepribadian tipe B. Hasil analisis dengan SPSS adalah sebagai berikut:
1076.00 1.00 1 67
1076.00 1.00 2 66
1076.00 1.00 3 65
1076.00 1.00 .9412 .0285 4 64
1845.00 .00 4 63
1845.00 .00 4 62
1845.00 .00 4 61
1845.00 .00 4 60
1889.00 .00 4 59
1889.00 .00 4 58
1889.00 .00 4 57
1889.00 .00 4 56
2361.00 1.00 5 55
2361.00 1.00 6 54
2361.00 1.00 7 53
2361.00 1.00 .8739 .0418 8 52
2839.00 .00 8 51
2839.00 .00 8 50
2839.00 .00 8 49
2839.00 .00 8 48
2857.00 .00 8 47
2857.00 .00 8 46
2857.00 .00 8 45
2857.00 .00 8 44
2864.00 .00 8 43
2864.00 .00 8 42
2864.00 .00 8 41
2864.00 .00 8 40
2875.00 .00 8 39
2875.00 .00 8 38
2875.00 .00 8 37
2875.00 .00 8 36
2890.00 .00 8 35
2890.00 .00 8 34
2890.00 .00 8 33
2890.00 .00 8 32
2925.00 .00 8 31
2925.00 .00 8 30
2925.00 .00 8 29
2925.00 .00 8 28
2926.00 .00 8 27
2926.00 .00 8 26
2926.00 .00 8 25
2926.00 .00 8 24
2927.00 .00 8 23
2927.00 .00 8 22
2927.00 .00 8 21
2927.00 .00 8 20
2930.00 .00 8 19
2930.00 .00 8 18
2930.00 .00 8 17
2930.00 .00 8 16
2987.00 .00 8 15
2987.00 .00 8 14
2987.00 .00 8 13
2987.00 .00 8 12
3048.00 .00 8 11
3048.00 .00 8 10
3048.00 .00 8 9
3048.00 .00 8 8
3053.00 .00 8 7
3053.00 .00 8 6
3053.00 .00 8 5
3053.00 .00 8 4
3141.00 .00 8 3
3141.00 .00 8 2
3141.00 .00 8 1
3141.00 .00 8 0
Number of Cases: 68 Censored: 60 ( 88.24%) Events: 8
773.00 .00 0 71
773.00 .00 0 70
773.00 .00 0 69
773.00 .00 0 68
1257.00 1.00 1 67
1257.00 1.00 2 66
1257.00 1.00 3 65
1257.00 1.00 .9412 .0285 4 64
1825.00 1.00 5 63
1825.00 1.00 6 62
1825.00 1.00 7 61
1825.00 1.00 .8824 .0391 8 60
2042.00 .00 8 59
2042.00 .00 8 58
2042.00 .00 8 57
2042.00 .00 8 56
2059.00 1.00 9 55
2059.00 1.00 10 54
2059.00 1.00 11 53
2059.00 1.00 .8193 .0473 12 52
2296.00 1.00 13 51
2296.00 1.00 14 50
2296.00 1.00 15 49
2296.00 1.00 .7563 .0531 16 48
2424.00 .00 16 47
2424.00 .00 16 46
2424.00 .00 16 45
2424.00 .00 16 44
2613.00 1.00 17 43
2613.00 1.00 18 42
2613.00 1.00 19 41
2613.00 1.00 .6875 .0584 20 40
2840.00 .00 20 39
2840.00 .00 20 38
2840.00 .00 20 37
2840.00 .00 20 36
2862.00 .00 20 35
2862.00 .00 20 34
2862.00 .00 20 33
2862.00 .00 20 32
2881.00 .00 20 31
2881.00 .00 20 30
2881.00 .00 20 29
2881.00 .00 20 28
2940.00 .00 20 27
2940.00 .00 20 26
2940.00 .00 20 25
2940.00 .00 20 24
2943.00 .00 20 23
2943.00 .00 20 22
2943.00 .00 20 21
2943.00 .00 20 20
2959.00 .00 20 19
2959.00 .00 20 18
2959.00 .00 20 17
2959.00 .00 20 16
3000.00 .00 20 15
3000.00 .00 20 14
3000.00 .00 20 13
3000.00 .00 20 12
3009.00 .00 20 11
3009.00 .00 20 10
3009.00 .00 20 9
3009.00 .00 20 8
3044.00 .00 20 7
Tabel di atas menampilkan perhitungan ketahanan hidup untuk orang dengan kepribadian B
(PERSON=1). Interpreasi mirip dengan tabel untuk orang dengan tipe kepribadian A.
Tabel di atas menampilkan uji statistik Log Rank yang bermanfaat untuk membandingkan distribusi
ketahanan hidup antara orang dengan kepribadian A dan orang dengan kepribadian B. Pada uji
statistik tersebut diperoleh nilai p=0.0021. Dengan menggunakan α=0.05, kita dapat menyimpulkan
bahwa ada perbedaan fungsi ketahanan hidup antara orang dengan kepribadian A dan orang dengan
kepribadian B.
Metode statistik khusus harus digunakan untuk menganalisis penelitian yang menyangkut
prognostik penyakit. Pada penelitian prognostik, pada umumnya peneliti tidak dapat menunggu
sampai semua pasien meninggal untuk mengetahui ketahanan hidupnya secara pasti. Dari segi
statistik, masalah yang ada adalah observasi tersensor, keadaan dimana subyek diamati pada interval
waktu yang berbeda dan tidak semua subyek meninggal. Pada analisis tabel kehidupan dan Kaplan
Meier, peneliti dapat membandingkan waktu ketahanan hidup (prognosis) dari dua atau lebih
kelompok pada satu variable (bi-variabel). Tetapi pada penelitian kohort, seringkali peneliti ingin
tahu efek dari banyak variabel secara simultan (multi-variable).
Sebagai contoh, Khaw dan Barret-Connor (1987) ingin mengetahui apakah diet kalium
berpengaruh pada kematian akibat stroke, independen terhadap faktor risiko kardiovaskuler yang
lain. Mereka melakukan penelitian kohort selama 12 tahun pada 859 orang pasien, tetapi hanya 24
pasien yang meninggal akibat stroke, sehingga banyak pasien yang mengalami sensor. Tabel 4
merupakan hasil dari analisis regresi Cox atau Cox proportional hazard model. Variabel dependen
adalah waktu ketahanan hidup pada pasien i dengan memperhatikan faktor sensor dan variabel
independen dapat berupa variabel numerik atau nominal/kategorik.
Tabel 4. Risiko relatif untuk kematian stroke pada pria dan wanita
Risiko Relatif dan 95% confidence interval
Faktor Risiko
Pria Wanita
Body-mass index (BMI) (per 0,5 kg/m2) 1,18 (0,56-2,50) 1,08 (0,68-2,91)
Tabel diambil dari dari Khaw K. Barret-Connor E: Dietary potassium and stroke-associated mortality. N. Engl J Med
1987;316:235-240.
Koefisien pada regresi Cox dapat digunakan untuk menghitung risiko relatif antara variabel
independen dengan variabel dependen, dengan dikontrol oleh variabel lain yang ada pada model
regresi. Jadi, regresi Cox menghitung adjusted relative risks.
Pada tabel di atas, regresi Cox menggambarkan hubungan antara diet kalium dengan
mortalitas akibat stroke dengan dikontrol terhadap variabel umur, tekanan darah sistolik, kadar
kolesterol, kadar glukosa darah, BMI, merokok dan pemakaian estrogen. Dari koefien regresi yang
diperoleh, peneliti menghitung risiko relatif dari masing-masing variabel terkontrol terhadap variabel
lainnya. Sebagai contoh, risiko relatif untuk mortalitas stroke pada wanita yang memperoleh diet
kalium 10 mmol/hari adalah 0,56, berarti diet kalium memiliki efek pencegahan terjadinya
mortalitas stroke independen terhadap umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa
darah, BMI, rokok dan pemakaian estrogen. Batas atas 95% confidence interval untuk risiko relatif
yang berkaitan dengan diet kalsium pada wanita kurang dari 1, menggambarkan adanya hubungan
terbalik antara diet kalium dengan mortalitas stroke pada wanita, setelah pengontrolan terhadap
variabel umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa darah, BMI, rokok dan
BESRAL: Analisis Survival, FKM UI, 2006 Hal 15 dari 20
pemakaian estrogen. Batas atas 95% confidence interval pada pria sama dengan 1, menggambarkan
kemungkinan adanya hubungan terbalik antara diet kalium dengan mortalitas stroke pada pria,
setelah pengontrolan terhadap variabel umur, tekanan darah sistolik, kadar kolesterol, kadar glukosa
darah, BMI, dan rokok. Hasil lain yang menarik adalah adanya peningkatan risiko mortalitas jika
umur pasien meningkat dan adanya peningkatan risiko mortalitas pada pasien pria dengan kadar
glukosa darah yang tinggi.
Time. Pilihlah variabel yang berisi data waktu ketahanan hidup (survival time). Data pada variabel
ini menggambarkan berapa lama subyek tetap bertahan “hidup” sampai kejadian (event) terjadi atau
terjadi sensor.
Status. Isilah variabel yang menggambarkan status subyek, keterangan apakah satu kejadian telah
terjadi atau tidak. Anda juga harus memberitahu SPSS kode yang digunakan untuk kasus yang tidak
tersensor, misalnya kode 1 = event dan kode 0 = sensor.
Covariate. SPSS akan menghitung ketahanan hidup untuk seluruh data Anda. Jika Anda
menginginkan SPSS untuk melakukan pertimbangan terhadap variabel tertentu, Anda dapat
mengisikan variabel yang bersifat numerik atau kategorik pada isian ini.
Strata. Variabel kategorikal untuk analisis stratifikasi. Analisis akan dilakukan pada tiap stratum
untuk tiap level dari variabel faktor.
BESRAL: Analisis Survival, FKM UI, 2006 Hal 16 dari 20
Definisi Kejadian (Event) untuk Variabel Status
Untuk memberi keterangan, kode apa yang melambangkan satu kejadian (event) telah terjadi,
letakkan kursor pada variabel status dan klik Define Event.... Kotak dialog Cox-Regression Define
Event for Status Variable akan tampak seperti gambar 2.
Satu nilai atau interval dapat digunakan sebagai kode bahwa satu kejadian (event) telah terjadi.
Kasus dengan kode lain akan dianggap sebagai kasus tersensor. Isilah Single value atau Range of
value untuk kode terjadinya kejadian (event).
Categorical. Jika Anda memiliki covariate yang lebih dari 2 kategori, SPSS akan membuat dummy
variabel dengan memberitahu bahwa variabel tersebut harus dibuat sebagai categorical, bukan
sebagai numerik. SPSS juga akan menanyakan mana yang dijadikan sebagai kelompok pembanding
(reference category) apakah kelompok dengan kode terendah atau kode tertinggi.
Plots. Plot untuk menggambarkan fungsi hazard akan dibuat oleh SPSS jika anda minta. Anda dapat
memilih satu atau lebih plot berikut ini:
Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier.
Hazard. Menampilkan fungsi hazard.
Log Minus Log. Menampilkan fungsi ketahan hidup kumulatif pada skala logaritmik.
One Minus Survival. Menampilkan fungsi ketahan hidup kumulatif pada skala linier yang
merupakan kebalikan dari Survival.
Data waktu survival (dalam minggu) dari 42 penderita leukemia pada sebuah klinik, yang bertujuan
untuk melihat efek dari pengobatan (6-mercaptopurine) terhadap kelangsungan hidup penderita.
-2 Log
Likelihood
187.970
-2 Log Overall (score) Change From Previous Step Change From Previous Block
Likelihood Chi-square df Sig. Chi-square df Sig. Chi-square df Sig.
144.218 44.571 3 .000 43.752 3 .000 43.752 3 .000
a. Beginning Block Number 0, initial Log Likelihood function: -2 Log likelihood: -187.970
b. Beginning Block Number 1. Method: Enter
Langkah pertama adalah menguji apakah model sudah signifikan atau belum. Model dikatakan
signifikan, dengan melakukan uji Likelihood Ratio (LR) Test yakni: –2 log likelihood, dalam hal ini
ditampilkan pada kolom Change form previeus step yang nilai chi-squarenya = 43.752, yang berasal
BESRAL: Analisis Survival, FKM UI, 2006 Hal 18 dari 20
dari 187.970 – 144.214. Nilai ini sangat bermakna dengan nilai-p=0.000. Artinya paling tidak ada
satu variabel dependen yang bermakna (nilai B tidak sama dengan nol).
Kemaknaan setiap variabel dapat dilihat pada output Variabel in the equation. Jika overal test
menunjukkan paling tidak ada satu B yang tidak sama dengan nol, maka dapat dipastikan bahwa
minimal ada satu variabel yang bermakna. Artinya, bisa hanya satu variabel yang bermakna, atau
bisa juga lebih dari satu variabel yang bermakna. Dalam hal ini ada dua variabel yang bermakna
yaitu RX (Treatment) dan L_WBC (kadar white blood cell).
Interpretasi Regressi-cox (Cox-proportional hazard model) hampir sama dengan interpretasi regresi
logistik, yakni dengan melihat Exp (B) yang merupakan risiko relatif (RR) dari munculnya hazard.
Kelompok yang tidak mendapatkan treatmen atau hanya mendapat placebo (RX=1), mempunyai
risiko 4 kali lebih tinggi untuk meninggal dibandingkan dengan kelompok yang mendapatkan
treatment, setelah mempertimbangkan pengaruh dari jenis kelamin dan kadar darah putih.
Kelompok pria (SEX=1) lebih rendah setengah kali risiko kematiannya (0.558 kali jika
dibandingkan dengan jenis kelamin wanita, setelah mempertimbangkan pengaruh dari treatmen dan
kadar darah putih.
ASUMSI REGRESI-COX
Interpretasi analysis regresi cox hanya valid apabila asumsinya terpenuhi. Asumsi dari regresi cox
adalah bahwa berdasarkan persamaan proporsional hazard model sbb:
h(t )
h(t ) = [ho (t )]e ( BX ) = e ( BX )
ho (t )
e = exponen (Exp)
Hazard Ratio atau Relatif Hazard h(t ) / ho (t ) merupakan indikasi dari peningkatan (atau penurunan)
risiko timbulnya sakit (atau mati) pada kelompok yang tidak mendapat treatment (atau placebo)
dibandingkan kelompok yang dapat treatment.
Asumsi yang harus dipenuhi adalah fungsi hazard h(t) adalah proporsional terhadap baseline hazard.
Artinya h(t ) / ho (t ) adalah tetap (constat) terhadap satu satuan waktu (tidak bergantung pada waktu),
garis fungsi hazardnya paralel. Jika semakin lama waktu, semakin berbeda jauh fungsi hazardnya,
maka asumsi itu tidak terpenuhi. Jika dalam fungsi hazard terjadi cross (garisnya saling
bersilangan), berarti tidak paralel, maka aasumsi itu juga tidak terpenuhi.
1.0 1.0
.8 .8
.6 .6
.4 Treatmen .4 Sex
placebo male
.2 .2
Cum Survival
Cum Survival
placebo-censored male-censored
0.0 0.0
treatment female
Survival Survival
T_COV tidak bermakna, artinya asumsi time independent (Proporsioanl hazard) terpenuhi:
T_COV bermakna, artinya asumsi time independent (Proporsioanl hazard) tidak terpenuhi, sehingga
analysis yang dipakai adalah Regresi Cox dengan time-dependent: