JUPENDIK: JURNAL PENDIDIKAN

6
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

ANALISIS MODEL PELUANG BERTAHAN HIDUP (SURVIVAL) DAN APLIKASINYA

( Survival Analysis Model and its Application)

Sunarti Fajariyah
Guru MTs Negeri 1 Kota Tangerang
sunartifajariyah@gmail.com

Abstrak:Mortalitas merupakan salah satu
diantara tiga komponen demograpi yang
dapat mempengaruhi perubahan penduduk,
selain kelahiran dan migrasi. Informasi
tentang peluang kematian menurut umur
suatu wilayah disajikan dalam bentuk tabel
yang dikenal dengan life table. Model life
table merupakan model Survival yang
menyatakan peluang seseorang dapat
bertahan hidup hingga atau lebih dari waktu
tertentu. Seperti halnya model-model yang
ada dalam bidang demografi, model teoritis
dari life table merupakan model yang
kontinu. Namun informasi saat ini pada
umumnya menggunakan bentuk diskret.
Penelitian ini untuk melakukan pendugaan
parameter fungsi Survival terhadap fungsi
sebaran yang sering digunakan serta
mengaplikasikannya terhadap data tabel
hayat Banten tahun 2005. Untuk memperoleh
parameter dari fungsi Survival berdasarkan
beberapa fungsi sebaran, data yang
digunakan adalah data hipotetik. Pendugaan
parameter dengan menggunakan metode
Maximum likelihood. Dari hasil penelitian
disimpulkan bahwa sebaran Weibull
merupakan funsi sebaran yang terbaik
dibandingkan dengan empat fungsi sebaran
lainnya.
Kata Kunci : Fungsi sebaran, Metode,
Maximum Likelihood
Abstract:Mortality is one of three demograpic
components which influence population
change, besides fertilities and migration.
Information on probability of death
according to age in a region is presented in a
table known as life table. Life table model
reflects a survival model, which model
express probability that someone can live on
or more than certain time. Although
modeling in mathematical demography are
usually based on continuous models, but in
practice, they are approximated using
discrete models. The objectives of this study
are to estimate the parameters of survival
function based on certain distribution
function; and to apply the survival function to
Banten life table data on the year 2005 to
obtain the model of Banten survival function.
To obtain the parameters of survival function
based on some distribution functions,
hypothetical data are implemented. The
hypothetical data are generated from
exponential, Weibull, log-normal, log-logistic
and Gompertz distribution. Maximum
likelihood method is used to estimate the
distribution parameters. The results of
analysis on the hypothetical data show good
value of R 2 when an appropriate
distribution are chosen. Regarding the life
table of Banten, Weibull distribution shows
the best fit compared to the other
distributions.
Keywords: Distribution functions, Maximum
Likelihood method
PENDAHULUAN
A. Latar Belakang
Mortalitas atau kematian merupakan
salah satu di antaratiga komponen demografi
yang dapat mempengaruhi perubahan
penduduk, selain fertilitas (kelahiran) dan
migrasi. Informasi tentang kematian penting
baik bagi pemerintah maupun lembaga
swasta. Salah satu diantaranya adalah
perlunya angka peluang kematian menurut
umur dalam proyeksi penduduk. Secara
umum informasi tentang peluang kematian
menurut umur suatu wilayah disajikan dalam
bentuk tabel, yang dikenal dengan sebutan
life table(tabel hayat/tabel mortalitas).
 JUPENDIK: JURNAL PENDIDIKAN
7
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

Seperti telah dijelaskan sebelumnya, tabel

hayat merupakan komponen penting dalam Tabel 1 Tabel sebaran dan fungsi Survival
proyeksi penduduk, disamping fertilitas dan S(x)
migrasi. Selanjutnya proyeksi penduduk
dapat digunakan dalam bidang pendidikan
B. Metode Kemungkinan
yaitu untuk memperkirakan jumlah penduduk
usia sekolah, jumlah murid, jumlah guru, Sebaran Fungsi Survival S(x)
gedung-gedung sekolah dan pendidikan pada
masa yang akan datang (Pollard et al. 1982).
1. Eksponensial S ( x)  e   x
Selain itu model tabel hayat juga dapat 2. Weibull 1
 ( x )

diaplikasikan dalam bidang pendidikan S ( x)  e
untuk menduga angka harapan melanjutkan 3. Log-normal Log[ x ] 
sekolahdan tingkat putus sekolah. 
1 (t  )2 /(2 2 )
Seperti halnya model-model yang ada dalam S ( x)  1 
0  2
e  dt
bidang demografi lainnya, model teoritis dari
life table merupakan model yang kontinu. 4. Log-logistik 1
S ( x) 
Namun informasi saat ini pada umumnya 1  e x k
masih dalam bentuk diskret. 5. Gompertz e ( 1 e x )

Model life table merupakan model Survival, 
S ( x)  e
yang menyatakan peluang seseorang dapat
bertahan hidup hingga atau lebih dari waktu Maksimum(Maximum Likelihood)
tertentu. Secara teoritis, banyak model-model Metode kemungkinan maksimum merupakan
Survival yang telah dikenal dan sering salah satu metode pendugaan parameter yang
digunakan. Maksud dari penelitian ini adalah menghasilkan nilai dugaan dengan
mencari model teoritis dari fungsi Survival memaksimumkan fungsi kemungkinan
yang sesuai dengan model life table. (likelihood).
Misal X 1 ,..., X n adalah nilai-nilai
B. Tujuan Penelitian
1 Melakukan pendugaan parameter fungsi suatu contoh acak berukuran n yang ditarik
Survival terhadap sebaran yang sering dari suatu populasi diskret atau kontinu
digunakan. dengan fungsi kepekatan peluangnya
2 Mengaplikasikan fungsi Survival f ( x; ) , maka fungsi kemungkinannya
terhadap data tabel hayat Banten tahun didefinisikan sebagai
n
2005 untuk memperoleh model fungsi
Survival Banten. L( ; X 1 ,..., X n )   f ( X i ; ).
i 1
yang merupakan fungsi kepekatan
KAJIAN TEORI
bersamanya. Untuk suatu fungsi
MODEL FUNGSI SURVIVAL
kemungkinan L( ) , ˆ merupakan penduga
A. Fungsi Survival kemungkinan maksimum bagi  (Serfling
Fungsi SurvivalS(x) adalah fungsi yang 1980).
Seringkali penduga ˆ diperoleh dengan
menyatakan peluang seseorang dapat
bertahan hidup hingga atau lebih dari waktu
menyelesaikan sistem persamaan fungsi
x, yang didefinisikan sebagai
kemungkinan,
berikut: S ( x)  P( X  x) , dengan peubah
 log L
acak Xmenyatakan waktu bertahan hidup  0, (i  1,..., k ),
(Lee 1992). Fungsi Survival merupakan i  ˆ
fungsi tak naik, pada saat
x  0, S ( x)  1; x  , S ( x)  0 Jika ˆ merupakan penduga kemungkinan
Pada Tabel 1 dibawah ini disajikan
pasangan sebaran dan fungsi Survival dari maksimum bagi  maka untuk sembarang
sebaran-sebaran Eksponensial, Weibull, Log-
normal, Log-logistik dan Gompertz.
 JUPENDIK: JURNAL PENDIDIKAN
8
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

fungsi g ( ) penduga kemungkinan Eksponensial, dibantu Software Mathematica

6.0dengan menggunakan metode Maximum
maksimum bagi g ( ) adalah g (ˆ). Likelihood. Hasil pendugaan parameter
diperoleh persamaan fungsi Survival pada
sebaran Eksponensial adalah S ( x )  e 0,052 x ,
METODOLOGI PENELITIAN
A. Sumber Data seperti terlihat pada Gambar 1 di bawah ini.
Penelitian ini menggunakan dua jenis data,
S ( x)  e 0,052 x R  0,990
2
yaitu:
1 Data hipotetik. S x

2 Data Survival Banten (data tabel hayat 1.0

Banten tahun 2005). 0.8

Data hipotetik digunakan untuk

melakukan pendugaan parameter beberapa 0.6
fungsi Survival. Sedangkan untuk aplikasi
model digunakan data SurvivalBanten. 0.4

B. Langah-langkah Penelitian 0.2

1 Membangkitkan data hipotetik dengan
menggunakan lima sebaran, kemudian Umur x
melakukan pendugaan parameter dengan 20 40 60 80 100

menggunakan metode Maximum

_____Nilai Dugaan ....... Nilai Sebenarnya
Likelihoodterhadap sebaran-sebaran
Eksponensial, Weibull, Log-normal,
Log-logistik dan Gompertz.
2 Dengan menggunakan data Survival
Banten dan metode Maximum Gambar 1 Kurva fungsi Survival sebaran
Likelihood, dilakukan pendugaan Eksponensial.
parameter terhadap sebaran
Eksponensial, Weibull, Log-normal, B. Pendugaan Parameter Fungsi Survival
Log-logistik dan Gompertz untuk Sebaran Weibull
memperoleh modelfungsi Survival
Banten. Dengan menggunakan data hipotetik yang
3 Untuk menguji kesesuaian data dan dibangkitkan berdasarkan parameter   1,5
model dilakukan uji R 2 (koefisien + RandomReal [{-0,2 , 0,2}] dan   30 +
determinasi). RandomReal [{-2 , 2}], dilakukan
pendugaan parameter terhadap sebaran
HASIL DAN PEMBAHASAN Weibull, dibantu Software Mathematica 6.0
dengan menggunakan metode Maximum
A. Pendugaan Parameter Fungsi Survival Likelihood. Hasil pendugaan parameter
Sebaran Eksponensial diperoleh persamaan fungsi Survival sebaran
Dengan menggunakan data hipotetik yang 1
( x )1,5
dibangkitkan berdasarkan parameter   0,05 Weibull adalah S ( x)  e , 31,32
seperti
+ RandomReal [{-0,007 , 0,007}], dilakukan terlihat pada Gambar 2 di bawah ini.
pendugaan parameter terhadap sebaran
 JUPENDIK: JURNAL PENDIDIKAN
9
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

D. Pendugaan Parameter Fungsi

(
1 SurvivalSebaran Log-logistik
S ( x)  e 31,32
x )1,5
R 2  0,996
S x Dengan menggunakan data hipotetik yang
1.0 dibangkitkan berdasarkan parameter   -10
+ RandomReal [{-0,4 , 0,4}] dan   3 +
0.8
RandomReal [{-0,05 , 0,05}] dilakukan
0.6
pendugaan parameter terhadap sebaran Log-
logistik, dibantu Software Mathematica 6.0
0.4 dengan menggunakan metode Maximum
Likelihood. Hasil pendugaan parameter
0.2 diperoleh persamaan fungsi Survival
1
Umur x sebaranLog-logistik S(x)= ,
10,27 3,07
20 40 60 80 100 1 e x
_____Nilai Dugaan ....... Nilai Sebenarnya seperti pada Gambar 4 di bawah ini.:

1 R 2  0,992
Gambar 2 Kurva fungsi Survival sebaran S ( x)  ,
1  e10,27 x 3,07

Weibull. Sx
1.0

C. Pendugaan Parameter Fungsi Survival

0.8
Sebaran Log-normal
0.6
Dengan menggunakan data hipotetik yang
dibangkitkan berdasarkan parameter   4 + 0.4

RandomReal [{-0,1 , 0,1}] dan   0,2 +

RandomReal [{-0,02 , 0,02}], dilakukan 0.2

pendugaan parameter terhadap sebaran Log-

Umur x
normal, dibantu Software Mathematica 6.0 20 40 60 80 100

dengan menggunakan metode Maximum

Likelihood. Hasil pendugaan parameter _____Nilai Dugaan ....... Nilai Sebenarnya
diperoleh persamaan fungsiSurvival sebaran
Log-normal adalah
Gambar 4 Kurva fungsi Survival sebaran
Log[ x ] 4 Log-logistik.
0,2
1
S ( x)  1   e (t 4)
2
/(2(0,2) 2 )
dt ,seperti E. Pendugaan Parameter Fungsi Survival
0 0, 2 2
Sebaran Gompertz
terlihat pada Gambar 3 di bawah ini.
Dengan menggunakan data hipotetik
Log[ x ] 4 yang dibangkitkan berdasarkan parameter
R 2  0,985
  -3 + RandomReal [{-0,6 , 0,6}] dan
0,2
1
S ( x)  1   e (t 4)
2
/(2(0,2) 2 )
dt
0 0, 2 2   -0,01 + RandomReal [{-0,001 , 0,001}],
S x
1 .0

0 .8
dilakukan pendugaan parameter terhadap
0 .6
sebaranGompertz, dibantu Software
0 .4
Mathematica 6.0 dengan menggunakan
0 .2
metode Maximum Likelihood. Hasil
U mu r x
20 40 60 80 100
pendugaan parameter diperoleh persamaan
_____Nilai Dugaan .......Nilai Sebenarnya fungsi Survival sebaran Gompertz adalah

Gambar
narnya 3 KurvafungsiSurvival sebaran
Lognormal.
 JUPENDIK: JURNAL PENDIDIKAN
10
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

e2,73 ( 1 e 0,003 x ) Maximum Likelihood, dengan memilih


S ( x)  e 0,003
, seperti terlihat pada sebaranyang tepat, akan diperoleh hasil
Gambar 5 di bawah ini. dugaan yang sangat baik. Oleh karena itu hal
yang paling penting dalam pemilihan model
adalah memperhatikan bentuk sebaran dari
e2,73 ( 1 e 0,003 x )
data yang kita gunakan.

S ( x)  e 0,003 R 2  0, 748
F. Pendugaan Parameter Fungsi Survival
Sx
1.0 Banten

0.8 Dengan mengaplikasikan hasil

penelitian tentang pendugaan parameter pada
0.6 sebaran-sebaran di atas dengan menggunakan
metode Maximum Likelihood, terhadap data
0.4 Survival Banten, diperoleh model fungsi
Survival Banten sebagai berikut.
0.2
1 Sebaran Weibull
Umur x
0 20 40 60 80 100 Hasil pendugaan parameter pada data
Survival Banten terhadap sebaran Weibull
_____Nilai Dugaan ....... Nilai Sebenarnya
dapat dilihat pada Gambar 6.

Gambar 5 Kurva fungsi Survival sebaran

Gompertz. (
1

S ( x)  e 75,04
x )4
R 2  0,958
Berdasarkan hasil pendugaan parameter
Sx
dari beberapa sebaranSurvivaldi atas, pada
1.0
Tabel2dapat dilihat perbedaan nilai koefisien
penentu (determinasi) yang dilambangkan 0.8

dengan R 2 masing-masing fungsi Survival.

0.6

Koefisien Penentu (Determinasi) (Agresti,

0.4
Finlay 1986)
n

 ( y  yˆ ) i i
2 0.2

R  1
2 i 1
n
dengan y i =aktual, Umur x

 ( y  y) 2 20 40 60 80 100
i
i 1 Nilai Dugaan ....... Nilai Sebenarnya
yˆ i = dugaan, dan y =rata-rata
Tabel 2 Perbandingan nilai R 2 fungsi Gambar 6 Kurva fungsi Survival Banten
Survival (kurva mulus) sebaran Weibull.
Eksponensial WeibullLog-normal Log-
logistik Gompertz
2 Sebaran Log-normal
R 2 0,990 0,9960,985 0,992 0,748
2
Nilai R dinilai baik jika mendekati 1 Hasil pendugaan parameter pada data
Survival Banten dengan sebaran Log-normal
Berdasarkan hasil di atas dapat dinyatakan dapat dilihat pada Gambar 7.
bahwa jika kita melakukan pendugaan
parameter dengan menggunakan metode
 JUPENDIK: JURNAL PENDIDIKAN
11
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

menggunakan data Survival Banten diperoleh

Log[ x ] 4,11
0,29
1 R  0,852
2
hasil yang tidak memuaskan karena bentuk
S ( x)  1   e (t  4,11) /(2(0,29) ) dt
2 2

0, 29 2
kurva seperti terlihat pada Gambar 1 dan 5 di
0
Sx atas, yang sangat berbeda dengan bentuk
1.0 kurva data Survival Banten.
Berdasarkan hasil pendugaan parameter
0.8 dari sebaran di atas, pada Tabel 3 dapat
dilihat perbedaan nilai koefisien penentu
0.6
(determinasi) yang dilambangkan dengan R 2
0.4
masing-masing fungsi Survival Banten.

0.2 Tabel 3 Perbandingan nilai R 2 fungsi

Survival
Umur x
20 40 60 80 100

_____Nilai Dugaan ....... Data Banten

Dari Tabel 3 terlihat nilai R 2 yang tinggi

Gambar 7 Kurva fungsi Survival Banten terdapat pada fungsi Survivalsebaran
Weibull. Berdasarkan hal
(kurva mulus) sebaran Log-normal. tersebut fungsi Survival Banten
3 Sebaran Log-logistik menggunakan sebaran Weibull
denganpersamaan
1
Hasil pendugaan parameter pada data ( x )4
Survival Banten dengan sebaran Log-logistik fungsiSurvival S ( x )  e 75,04
.
dapat dilihat pada pada Gambar 8.
G. Model Tabel Hayat Kontinu
Rachmadani
1 R 2  0,870
S ( x) 
1  e15,03 x3,58 Rachmadani (2006) telah melakukan
Sx
penelitian untuk menyusun tabel hayat
1.0
dengan menggunakan pendekatan kontinu
0.8
dengan menganalisis data tentang laju
kematian
0.6 (  ( x) ).Model yang diperoleh adalah
S ( x)  e( 0,0157e 0,0157)
0,051 x

0.4
.
Dengan menggunakan data Survival
0.2 Banten pada model Rachmadani dan model
fungsi SurvivalWeibull, diperoleh
Umur x 2
20 40 60 80 100 nilai R 0,942untuk model Rachmadani,
sedangkan untuk model fungsi Survival
_____Nilai Dugaan ....... Data Banten 2
Weibull diperoleh nilai R 0,958. Nilai
2
R modelSurvival Weibull lebih besar dari
Gambar 8 Kurva fungsi Survival Banten model Rachmadani. Berdasarkan hal tersebut
maka model fungsi Survival Weibull
(kurva mulus) sebaran Log-logistik digunakan dalam model fungsi Survival
Banten untuk menyusun tabel hayat kontinu
Setelah dilakukan pendugaan parameter pada Banten (lihat Gambar 9).
sebaran Eksponensial dan Gompertz dengan
 JUPENDIK: JURNAL PENDIDIKAN
12
Volume 3, No.2, Oktober 2019 ISSN 2579-4035

Pollard AH, Yusuf Farhat, Pollard G N.1982.

Teknik Demografi. Munir Rozy,
Budiarto, penerjemah, Jakarta: Bina
Aksara. Terjemahan dari:
Demographic Techniques.
Rachmadani, N. 2006. Penyusunan Tabel
Hayat. Skripsi.Departemen
Matematika FMIPA-IPB.
Serfling, Robert J. 1980. Approximation
Theorems of Mathematical Statistics.
John Wiley and Sons.

Gambar 9 Perbandingan kurva fungsi

Survival model Rachmadani dan Weibull.

KESIMPULAN

1 Metode Maximum Likelihood dapat

digunakan untuk melakukan pendugaan
parameter dengan baik terhadap fungsi
Survival bila dapat memilih sebaran yang
tepat.
2 Model life tabledapat didekati dengan
model kontinu, yaitu dengan
menggunakan sebaran Weibull, Log-
normal dan Log-logistik.
3 Berdasarkan metode Maximum
Likelihood dengan menggunakan data
Survival Banten, sebaran Weibull
merupakan sebaran yang terbaik
dibandingkan dengan ke-empat sebaran
lainnya.

SARAN

Perlu dikembangkan fungsi Survival lain

yang dapat lebih menggambarkan perilaku
data.

DAFTAR PUSTAKA

Agresti, Finlay. 1986. Statistical Methods for

the Social Sciences. Ed. Ke-2.
California. D. ellen Publishing
Company.
Lee ET. 1992. Statistical Methods for
Survival Data Analysis. Ed Ke-2.
New York: A Wiley Interscience
Publication.