Abstrak— Saat ini masalah yang rentan dihadapi oleh wanita stadium, jenis pengobatan atau perawatan yang digunakan oleh
adalah timbulnya sel kanker dalam tubuh. Tak lain adalah kanker pasien, dan lain sebagainya.
leher Rahim atau biasa disebut kanker serviks. Kanker serviks Menilai keberhasilan pengobatan kanker serviks dapat
merupakan kanker yang disebabkan oleh infeksi virus HPV (Human menggunakan salah satu parameter yaitu probabilitas ketahanan
Papillomavirus). Virus tersebut menyerang dalam tubuh wanita hidup pasien yang dapat diukur selama satu tahun [4]. Selain itu
dikarenakan beberapa factor. Peningkatan kejadian kanker serviks ahli kedokteran juga menggunakan probabilitas ketahanan
semakin bertambah namun diagnosis dini atau inisiasi melakukan
pengobatan kurang diperhatikan oleh masyarakat, sehingga
hidup untuk memperkirakan lama hidup pasien setelah
berpengaruh pada prognosis buruk pasien kanker serviks. Dalam didiagnosis terserang penyakit kanker serviks. Menurut
penelitian ini digunakan metode regresi Cox Extended untuk American Cancer Society tahun 2014 probabilitas ketahanan
mengetahui prognosis pasien dimasa datang yang disebut prognostik hidup pasien kanker serviks satu tahun (one year survival rate)
indeks. Hasil penelitian menunjukkan model yang signifikan adalah 87%. [5]
terhadap ketahanan hidup pasien kanker serviks dengan metode Salah satu metode yang sering digunakan dalam analisis
regresi Cox Extended adalah variabel jenis pengobatan lainnya atau survival adalah metode analisis regresi Cox Proportional
pasien kanker serviks tidak melakukan pengobatan kemoterapi, Hazard. Analisis regresi Cox Proportional Hazard adalah
operasi, tranfusi PRC, dan kombinasi antar ketiga jenis pengobatan metode yang dapat digunakan untuk memodelkan hubungan
tersebut. Prognosis pasien yang tidak melakukan jenis pengobatan
antara variabel respon yang berupa waktu survival dengan satu
tersebut memiliki resiko terjadinya meninggal sangat tinggi
dibandingkan pasien yang melakukan kemoterapi, operasi, tranfusi atau lebih variabel predictor [6] Namun pada model regresi Cox
PRC, dan kombinasi antar ketiga jenis pengobatan tersebut yang Proportional Hazard diperlukan asumsi dimana hazard ratio
memiiliki resiko terjadinya meninggal rendah. adalah konstan. Waktu seringkali menyebabkan perubahan
terhadap hazard ratio, sehingga diperlukan pemenuhan asumsi
Kata Kunci— Asumsi Proportional Hazard, Hazard Ratio, Kanker
Proportional Hazard. Apabila asumsi Proportional Hazard
Serviks, Prognostik Indeks, Regresi Cox Extended
tidak terpenuhi maka diperlukan model yang melibatkan
variabel bergantung dengan waktu. Salah satu model yang
I. PENDAHULUAN
melibatkan variabel bergantung dengan waktu adalah model
K
ANKER yang paling banyak diderita oleh perempuan Cox Extended [7].
setelah kanker payudara, dimana perkiraan kasusnya pada Penelitian Afifah (2016) menggunakan metode yang
tahun 2000 adalah 471.000 kasus baru dan 233.000 digunakan adalah model regresi Extended Cox dimana terdapat
diantaranya meninggal dunia. Penderita kanker serviks 80% variabel yang tidak memenuhi asumsi proportional hazard yaitu
lebih berasal dari negara berkembang seperti di Asia Selatan, stadium 4 [8]. Pada penelitian sebelumnya dilakukan oleh
Asia Tenggara, Sub-Sahara Afrika, Amerika Tengah, dan Inayati (2015) dengan judul Analisis Survival Nonparametrik
Amerika Selatan [1]. Menurut Yayasan Kanker Indonesia Pada Pasien Kanker Serviks di RSUD Dr. Soetomo Surabaya
(2013) setiap 1 menit muncul kasus baru dan setiap 2 menit Menggunakan Metode Kaplan Meier dan Uji Logrank. Hasil
meninggal 1 orang perempuan akibat kanker serviks. [2]. dari penelitian tersebut adalah berdasarkan Kaplan Meier dari
Diagnosis dini dan inisiasi pengobatan pasien kanker setiap variabel diduga terdapat perbedaan kurva survival pada
dapat meningkatkan ketahanan hidup. Berbagai upaya dapat stadium, jenis pengobatan, penyakit penyerta dan komplikasi
dilakukan selama diagnosis dan memulai pengobatan [3]. dan hasil dari uji Log Rank yang menunjukkan bahwa terdapat
Namun biasanya terjadi keterlambatan dalam diagnosis atau perbedaan kurva survival pada stadium, jenis pengobatan, dan
memulai pengobatan pada stadium lanjut sehingga berpengaruh komplikasi [9]. Pada penelitian ini menambahkan variabel usia
pada prognosis buruk penderita kanker serviks. Prognosis pertama kali menikah dan usia pertama kali menstruasi. Kedua
merupakan prediksi dokter dimana kondisi pasien akan variabel tersebut diduga memengaruhi factor ketahanan kanker
berkembang dan akan ada proses pemulihan. Tujuan dari serviks [10]. Berdasarkan penelitian yang telah berkembang,
prognosis yaitu untuk mengkomunikasikan prediksi kondisi seringkali menjelaskan factor-faktor baik resiko maupun factor
pasien dimasa datang dengan penyakit yang telah dideritanya. intrinsic yang diduga mempengaruhi ketahanan kanker serviks.
Biasanya ukuran-ukuran yang digunakan untuk menilai Faktor-faktor tersebut diduga setelah pasien terdiagnosis dalam
prediksi suatu penyakit dapat diihat dari kondisi umum pasien, tubuhnya terdapat sel kanker. Setelah pasien terdiagnosis
seringkali muncul pertanyaan berapa lama perkiraan
INFERENSI, Vol. 3(1), March 2020, ISSN: 0216-308X (Print) 2721-3862 (Online) 38
penyembuhan pasien dimasa datang. Hal ini membutuhkan Apabila ingin menaksir fungsi survival maka
suatu nilai untuk mengukur prognosis pasien yang biasa disebut menggunakan analisis Kaplan Meier [7]. Apabila probabilitas
prognostik indeks. Berdasarkan pemaparan diatas, akan Kaplan Meier adalah 𝑆 𝑡 maka persamaan umumnya
dilakukan analisis prognosis pasien kanker serviks dari model ditunjukkan pada persamaan berikut,
Cox Extended.
t Pr T t
^ f ^
S T t (i) (4)
f
i 1
(i)
II. LANDASAN TEORI
t S t P r T t
^ ^ ^
S T t (f)
A. Statistika Deksriptif f ( f 1) (f)
Statistika Deskriptif adalah metode-metode yang Berikut merupakan ilustrasi dari kurva survival Kaplan
berkaitan dengan pengumpulan dan penyajian suatu gugus data Meier,
sehingga memberikan informasi yang berguna [11].
Terdapat beberapa ukuran pemusatan dan penyebaran data
yang digunakan, antara lain sebagai berikut :
Tabel 1. Statistical Deskriptif
Ukuran Rumus
1 n
Mean X Xi
n i 1
Gambar 1. Kurva Survival Kaplan Meier
Sumber: [7]
yang digunakan dalam analisis survival bisa dalam satuan hari, C. Regresi Cox
minggu, bulan, atau bahkan tahun yang diperoleh dari awal Secara umum, oleh Le (1997), model proportional hazard
pengamatan hingga event terjadi [7]. Dalam menentukan waktu diberikan dalam persamaan berikut [12].
survival (t), terdapat tiga elemen yang perlu diperhatikan yaitu:
1. Time origin atau starting point (titik awal) adalah waktu h(t, x) h0 (t)exp(βT x)
dimulainya suatu penelitian. h(t, x) h0 (t )exp(1x1 2 x2 ... p xp ) (6)
2. Ending event of interest (kejadian akhir) adalah kejadian
yang menjadi inti dari penelitian. Estimasi parameter pada regresi cox menggunakan parsial
3. Measurement scale for the passage of time (skala ukuran likelihood. Apabila terdapat n sampel, dengan urutan waktu
untuk berlalunya waktu). failure t1 t 2 t n dan R tl merupakan himpunan waktu
Dalam analisis survival terdapat dua macam fungsi yang yang berisiko pada waktu t l yang terdiri dari semua individu
sering digunakan yaitu fungsi survival dan fungsi hazard.
Fungsi survival dinyatakan S(t), didefinisikan sebagai dengan waktu survival-nya paling sedikit. Fungsi parsial
probabilitas suatu objek dapat bertahan atau tidak mengalami likelihood untuk model Cox PHM dinyatakan pada persamaan
event sampai pada waktu ke-t, dinyatakan oleh persamaan (7).
berikut,
n
exp(β'xt ) (7)
L(β)
t 1 exp(β'x )
S t t f u du (1) lR (t )
l
t l
Dengan T adalah waktu yang dibutuhkan objek sampai Dengan Xt adalah vector variabel predictor dari objek
mengalami event. yang mengalami event pada saat ke-t dengan urutan waktu t(l).
Fungsi hazard dinotasikan dengan h(t), didefinisikan Fungsi ln-likelihood dari persamaan (7) adalah sebagai berikut:
sebagai laju terjadinya event suatu objek. Fungsi hazard dapat n n
dinyatakan dalam persamaan berikut, ln L(β) (β'xt ) ln exp(β'xl ) (8)
t t t t (2) t 1 t 1 lR (t l )
h t lim
t 0 t Karena estimasi parameter yang tidak diperoleh tidak
Hubungan antara fungsi survival dengan fungsi hazard close form atau implisit, maka juga digunakan metode iterasi
adalah sebagai berikut, numerik Newton-Raphson.
f t
h t (3) β β H 1 β g β
l 1 l l l
(9)
S t
INFERENSI, Vol. 3(1), March 2020, ISSN: 0216-308X (Print) 2721-3862 (Online) 39
Suatu iterasi akan berhenti jika, β l 1 β l , dengan merupakan nilai likelihood untuk model tanpa
merupakan suatu bilangan yang sangat kecil. menyertakan variabel prediktor dan merupakan nilai
Hal yang menarik pada regresi Cox adalah data tidak harus likelihood untuk model lengkap dengan menyertakan semua
memenuhi distribusi apapun [13]. Sedangkan asumsi variabel prediktor.
pemodelan yang harus dipenuhi dengan regresi Cox adalah b. Pengujian parsial
bahwa fungsi hazard harus proportional setiap waktu karena Secara parsial hipotesis uji signfikansi adalah sebagai
regresi Cox tidak mengakomodasi variabel yang berubah-ubah berikut,
sepanjang waktu [14]. Kleinbaum & Klein (2012) menyatakan H0 : j 0
ada tiga pendekatan umum untuk mengevaluasi asumsi
proportional hazard [7] yaitu. H1 : j 0
a. Melihat pola plot ln[-ln(S(t))] terhadap waktu survival (t) Statistik uji
untuk setiap variabel prediktor dengan skala kategorik
ˆ
2
Uji Wald : 2 (13)
b. Pengujian asumsi proportional hazard dengan metode
j
W
SE ˆ
2
goodeness of fit. j
perawatan di RSUD Dr. Soetomo Surabaya. Variabel respon a. Menganalisis statistika deskriptif menggunakan ukuran
merupakan data waktu survival (T) pasien penyakit kanker pemusatan data dan ukuran penyebaran data baik secara
serviks. Waktu survival (T) adalah waktu selama pasien visual maupun teori.
penyakit kanker serviks menjalani rawat inap di RSUD Dr. b. Menganalisis statistika deskriptif menggunakan tabulasi
Soetomo Surabaya selama periode penelitian dengan start point silang untuk mengetahui hubungan antara variabel yang
Mei 2013 dan end point Desenber 2016. mempunyai skala ordinal dan nominal.
3. Menggambarkan kurva survival pasien kanker serviks
dengan menggunakan analisis Kaplan Meier.
B. Variabel Penelitian
4. Menguji perbedaan kurva survival pasien kanker serviks
Variabel yang digunakan pada penelitian ini adalah sebagai berdasarkan hasil pada langkah ketiga dengan
berikut. menggunakan uji Log-rank.
Tabel 2. Variabel Penelitian
5. Melakukan pengujian asumsi proportional hazard data
Variabel Keterangan Skala
pasien kanker serviks di RSUD Dr. Soetomo Surabaya.
Data
T Survival Time Rasio a. Membuat plot ln[− ln(𝑆(𝑡))] terhadap waktu survival
0 = Tidak terjadi event (T) untuk setiap variabel independen yang berskala
d Nominal nominal.
1 = Terjadi event
X1 Usia Rasio b. Melakukan uji Goodness of Fit untuk mendapatkan
Status Komplikasi keputusan yang lebih objektif.
X2 0 = Tidak Ada Nominal 6. Melakukan pemodelan cox extended data pasien kanker
1 = Ada serviks di RSUD Dr. Soetomo Surabaya dengan cara
Status Anemia sebagai berikut.
X3 0 = Tidak Nominal a. Mengidentifikasi variabel prediktor yang tidak
1 = Ya memenuhi asumsi proportional hazard dan
Jenis Pengobatan:
memasukkan variabel tersebut ke dalam model cox
0 = Kemoterapi
6 = Tranfusi PRC
extended.
5 = Operasi b. Memodelkan variabel yang tidak memenuhi asumsi
X4 Nominal proportional hazard dengan menginteraksikan terhadap
4 = Kemoterapi & Tranfusi PRC
3 = Kemoterapi & Operasi waktu (T).
2 = Tranfusi PRC & Operasi c. Melakukan uji signifikansi parameter factor-faktor yang
1 = Jenis Pengobatan Lainnya memengaruhi ketahanan hidup pasien kanker serviks di
Stadium: RSUD Dr. Soetomo Surabaya yaitu dengan melakukan
0 = Stadium I uji serentak dan uji parsial.
X5 3 = Stadium II Ordinal d. Menentukan variabel yang berpengaruh signifikan
2 = Stadium III
terhadap ketahanan hidup pasien kanker serviks
1 = Stadium IV
X6 Usia Menikah Pertama Rasio
berdasarkan uji signifikansi parameter.
X7 Usia Menstruasi Pertama Rasio e. Melakukan interpretasi model Cox Extended dengan
Kontraseepsi Hormonal fungsi waktu.
X8 0 = Tidak Nominal f. Menghitung hazard ratio dari setiap variabel prediktor
1 = Ya yang telah signifikan/berpengaruh terhadap ketahanan
Pendidikan hidup pasien kanker serviks.
0 = SD 7. Melakukan analisis prognosis dari model Cox Extended.
X9 3 = SMP Ordinal a. Menghitung prognostik indeks menggunakan pola
2 = SMA additive. Dimana pola tersebut didapatkan dari nilai
4 = Lainnya (Diploma atau Sarjana) hazard ratio dari masing-masing variabel predictor yang
X10 Siklus Menstruasi Rasio
signifikan.
X11 Lama Menstruasi Rasio
b. Mengelompokkan poin interval hazard ratio
X12 Paritas Rasio
berdasarkan kelompok resiko.
C. Langkah Analisis c. Melakukan interpretasi prognostic indeks berdasarkan
Langkah analisis yang digunakan pada penelitian ini kelompok resiko.
adalah sebagai berikut. 8. Menarik kesimpulan dan saran.
1. Mengidentifikasi data waktu survival serta variabel bebas
dan terikat pasien kanker serviks periode 2014-2016 di IV. HASIL DAN ANALISIS
RSUD Dr. Soetomo Surabaya yang akan digunakan dalam Pada bab IV ini akan dikaji terlebih dahulu mengenai pre-
penelitian ini. processing data dan karakteristik pasien kanker serviks yang
2. Mendeskripsikan karakteristik data pasien kanker serviks di menjalani rawat inap di RSUD Dr. Soetomo Surabaya pada
RSUD Dr. Soetomo Surabaya berdasarkan waktu survival tahun 2013 sampai 2016. Pre-processing data yang
dan faktor yang diduga memengaruhi ketahanan hidupnya. dilakukan yaitu imputasi missing value.
INFERENSI, Vol. 3(1), March 2020, ISSN: 0216-308X (Print) 2721-3862 (Online) 41
(c)
memberikan informasi mengenai stadium, dimana garis merah siklus menstruasi dan lama menstruasi. Pengujian Log-Rank
merupakan stadium II, garis hijau merupakan stadium III, dan untuk mengetahui perbedaan yang berarti antara kurva survival
garis biru merupakan stadium IV. Berdasarkan Gambar 6 berdasarkan siklus menstruasi dan lama menstruasi.
sebelah kanan keempat garis tersebut tidak saling berhimpit, Tabel 7. Hasil Uji Log Rank Berdasarkan Siklus Menstruasi dan Lama
Menstruasi
maka dapat diduga ada perbedaan kurva survival berdasarkan
Variabel Log Rank df P-Value
kategori tingkatan stadium. Pengujian Log-Rank untuk
Siklus Menstruasi 1.2 1 0.3
mengetahui perbedaan yang berarti antara kurva survival Lama Menstruasi 0.3 1 0.6
berdasarkan jenis pengobatan. Apabila p-value lebih besar dari α = 0.05 maka gagal tolak
Tabel 5. Hasil Uji Log Rank Berdasarkan Jenis Pengobatan dan Stadium
Variabel Log Rank df P-Value H0. Artinya tidak ada perbedaan kurva survival antara kedua
Jenis Pengobatan 71.4 6 2e-13 kategori dari kedua plot.
Stadium 15.19 3 0.002 Berikut ini disajikan kurva survival Kaplan-Meier faktor
Berdasarkan hasil uji Log-Rank yang disajikan pada Tabel kontrasepsi hormonal dan paritas pada Gambar 10.
5, diperoleh nilai statistik uji masing-masing sebesar 71.4 dan
15.19 dengan derajat bebas masing-masing 6 dan 3 serta
didapatkan p-value uji masing-masing sebesar 2e-13. Jika
dibandingkan dengan nilai α yakni sebesar 0.05, maka p-value
kurang dari α. Sehingga uji ini menghasilkan keputusan tolak
H0. Hal ini memberi kesimpulan bahwa minimal ada satu
Gambar 10. Kurva Survival Kaplan Meier Pasien Kanker Serviks
perbedaan waktu survival antara kategori jenis pengobatan dan Berdasarkan Faktor Kontrasepsi Hormonal dan Paritas
kategori stadium. Secara visual plot sebelah kiri saling berhimpit antara
Berikut ini disajikan kurva survival Kaplan-Meier faktor garis hitam dan garis hijau dan plot sebelah kanan saling
usia, usia menikah pertama, dan usia menstruasi pertama pada berpotongan antara garis hitam dan garis hijau, sehingga dari
Gambar 8. kedua gambar tersebut diduga tidak ada perbedaan kurva
survival antara kategori kontrasepsi hormonal dan paritas.
Pengujian Log-Rank untuk mengetahui perbedaan yang berarti
antara kurva survival berdasarkan kontrasepsi hormonal dan
paritas.
Tabel 8. Hasil Uji Log Rank Berdasarkan Kontrasepsi Hormonal dan Paritas
Variabel Log Rank df P-Value
Gambar 8. Kurva Survival Kaplan Meier Pasien Kanker Serviks Berdasarkan Kontrasepsi Hormonal 1.2 1 0.3
Faktor Usia, Usia Menikah Pertama, dan Usia Menstruasi Pertama Paritas 1.8 1 0.2
Secara visual ketiga plot saling berhimpit antara garis Apabila p-value lebih besar dari α = 0.05 maka gagal tolak
hitam dan garis hijau, sehingga dari ketiga gambar tersebut H0. Artinya tidak ada perbedaan kurva survival antara kedua
diduga tidak ada perbedaan kurva survival antara kategori usia, kategori dari kedua plot. Berikut ini disajikan kurva survival
usia menikah pertama, dan usia menstruasi pertama. Pengujian Kaplan-Meier faktor pendidikan pada Gambar 11.
Log-Rank untuk mengetahui perbedaan yang berarti antara
kurva survival berdasarkan usia, usia menikah pertama, dan
usia menstruasi pertama.
Tabel 6. Hasil Uji Log Rank Berdasarkan Usia, Usia menikah pertama, dan
Usia menstruasi pertama.
Variabel Log Rank df P-Value
Usia 1.4 1 0.2
Usia Menikah Pertama 0.1 1 0.8 Gambar 11. Kurva Survival Kaplan Meier Pasien Kanker Serviks
Berdasarkan Faktor Pendidikan
Usia Menstruasi Pertama 0.2 1 0.4
Secara visual antara garis hitam dan garis hijau saling
Apabila p-value lebih besar dari α = 0.05 maka gagal tolak
berhimpit dan berpotongan, sehingga dari kedua gambar
H0. Artinya tidak ada perbedaan kurva survival antara kedua
tersebut diduga tidak ada perbedaan kurva survival antara
kategori dari ketiga plot. Berikut ini disajikan kurva survival
kategori pendidikan. Pengujian Log-Rank untuk mengetahui
Kaplan-Meier faktor siklus menstruasi dan lama menstruasi
perbedaan yang berarti antara kurva survival berdasarkan
pada Gambar 9.
pendidikan.
Tabel 9. Hasil Uji Log Rank Berdasarkan Pendidikan
Log Rank df P-Value
4.4 3 0.2
Apabila p-value lebih besar dari α = 0.05 maka gagal tolak
H0. Artinya tidak ada perbedaan kurva survival antara keempat
kategori pendidikan.
Gambar 9. Kurva Survival Kaplan Meier Pasien Kanker Serviks Berdasarkan
Faktor Siklus Menstruasi dan Lama Menstruasi C. Asumsi Proportional Hazard
Secara visual kedua plot saling berhimpit antara garis Metode yang digunakan dalam pengujian asumsi
hitam dan garis hijau, sehingga dari kedua gambar tersebut proportional hazard adalah metode grafis dilakukan dengan
diduga tidak ada perbedaan kurva survival antara kategori membuat plot ln[-ln S(t)] terhadap waktu kemudian dilanjutkan
INFERENSI, Vol. 3(1), March 2020, ISSN: 0216-308X (Print) 2721-3862 (Online) 44
dengan uji goodness of fit agar memperoleh keputusan yang α=0.05, faktor paritas (x12) memberikan keputusan tolak H0
lebih objektif. Berikut ini akan disajikan plot ln[-ln S(t)] yang berarti faktor-faktor tersebut tidak memenuhi asumsi
terhadap waktu, proportional hazard. Sedangkan faktor yang lain memenuhi
asumsi proportional hazard.
Tabel 10. Hasil Uji Goodness Of Fit
Variabel 𝝆 P-Value Keputusan
Usia (X1) 0.0059 0.9784 Gagal Tolak H0
Status Komplikasi (X2) -0.1238 0.5468 Gagal Tolak H0
Status Anemia (X3) 0.1081 0.5792 Gagal Tolak H0
Pengobatan Lainnya
(a) (b) -0.1977 0.3813 Gagal Tolak H0
(X4(1))
Tranfusi PRC &
0.0480 0.7972 Gagal Tolak H0
Operasi (X4(2))
Kemoterapi & Operasi
0.6309 1.000 Gagal Tolak H0
(X4(3))
Kemoterapi & Tranfusi
0.1046 0.5862 Gagal Tolak H0
PRC (X4(4))
Operasi (X4(5)) 0.2824 0.1356 Gagal Tolak H0
(c) (d) Tranfusi PRC (X4(6)) -0.0902 0.6375 Gagal Tolak H0
Stadium 4 (X5(1)) -0.0924 0.6398 Gagal Tolak H0
Stadium 3 (X5(2)) -0.2083 0.2788 Gagal Tolak H0
Stadium 2 (X5(3)) 0.2755 0.1513 Gagal Tolak H0
Usia Menikah Pertama
0.1284 0.5352 Gagal Tolak H0
(X6)
Usia Menstruasi
-0.1086 0.5491 Gagal Tolak H0
Pertama (X7)
(e) (f) Kontrasepsi Hormonal
-0.1021 0.5865 Gagal Tolak H0
(X8)
Lainnya (Diploma dan
0.0226 0.9073 Gagal Tolak H0
Sarjana) (X9(1))
SMA (X9(2)) 0.0903 0.6459 Gagal Tolak H0
SMP (X9(3)) -0.1029 0.6107 Gagal Tolak H0
Siklus Menstruasi (X10) 0.1582 0.4636 Gagal Tolak H0
Lama Menstruasi (X11) -0.0803 0.6701 Gagal Tolak H0
(g) (h) Paritas (X12) 0.5505 0.0346 Tolak H0
Tabel 11. Estimasi Model Cox Extended dengan fungsi Waktu (Lanjutan) Berdasarkan Tabel 13 memberikan informasi bahwa pasien
Estimasi kanker serviks yang tidak melakukan jenis pengobatan
Variabel W2 P-value
Parameter kemoterapi, tranfusi PRC, operasi, dan kombinasi antar ketiga
Usia Menstruasi Pertama 0.014 0.005 0.941 jenis pengobatan tersebut memiliki probabilitas meninggal
Kontrasepsi Hormonal -0.889 3.148 0.078
Lainnya (Diploma dan
karena kanker serviks 20 kali lebih besar dibandiingkan pasien
1.972 1.463 0.226 kanker serviks yang melakukan jenis pengobatan kemoterapi,
Sarjana)
SMA 1.054 3.015 0.083 tranfusi PRC, operasi, dan kombinasi antar ketiga jenis
SMP 0.908 1.157 0.281 pengobatan tersebut.
Siklus Menstruasi 0.159 0.619 0.432
Lama Menstruasi -0.128 0.426 0.512 E. Prognostik Indeks
Paritas -0.803 3.128 0.076 Terdapat cara untuk mendapatkan prognostik indeks
Paritas x ln(T) 0.181 2.971 0.083 tersebut yaitu dengan melihat pola additive dari hazard ratio
Likelihood Ratio 74.63 1e-07 setiap variabel yang signifikan.
Berdasarkan pengujian estimasi parameter secara serentak Tabel 14. Nilai Prognostik Indeks
terhadap model dengan menggunakan likelihood ratio Variabel HR HR*10 PI Risk grup
didapatkan p-value sebesar 1e-07. Jika p-value kurang dari α = Jenis Pengobatan lainnya 20.16 201.6 201.6 5
0.05 maka diperoleh keputusan tolak H0 yang berarti minimal Diperoleh informasi dari Tabel 14 prognostik indeks yang
terdapat satu variabel dalam model yang signifikan begitu tinggi nilainya memberikan arti bahwa perkiraan
memengaruhi ketahanan hidup pasien kanker serviks. panyembuhan pasien dimasa datang mempunyai prognosis
Berdasarkan taraf signifikansi 5%, hasil perhitungan p- yang buruk terhadap ketahanan hidupnya. Dimana pasien
value < α = 0.05 diperoleh keputusan tolak H0, dimana dari kanker serviks yang tidak melakukan jenis pengobatan
Tabel 11 yang mempunyai p-value < α = 0.05 adalah variabel kemoterapi, tranfusi PRC, operasi, dan kombinasi antar ketiga
pengobatan lainnya sebesar 0.00003. Artinya pasien kanker jenis pengobatan tersebut akan sangat kecil kemungkinan
serviks yang tidak melakukan pengobatan kemoterapi, tranfusi prognosis akan membaik dibandingkan pasien kanker serviks
PRC, operasi, atau kombinasi antara pengobatan tersebut yang melakukan jenis pengobatan kemoterapi, tranfusi PRC,
berpengaruh secara signifikan dengan interaksi fungsi waktu operasi, dan kombinasi antar ketiga jenis pengobatan tersebut.
terhadap model ketahanan hidup pasien kanker serviks yang Kelompok resiko terjadinya event atau meninggal sangat kecil
menjalani rawat inap di RSUD dr.Soetomo pada tahun 2013 (Low Risk) terjadi pada kelompok pasien yang melakukan jenis
sampai 2016. pengobatan kemoterapi, tranfusi PRC, operasi, dan kombinasi
Pengujian estimasi parameter model cox extended antar ketiga jenis pengobatan tersebut. Sedangkan kelompok
menggunakan variabel yang signifikan memengaruhi resiko terjadinya event atau meninggal sangat tinggi (High
ketahanan hidup pasien kanker serviks dengan interaksi fungsi Risk) terjadi pada kelompok pasien yang tidak melakukan jenis
waktu sebagai berikut. pengobatan kemoterapi, tranfusi PRC, operasi, dan kombinasi
Tabel 12. Estimasi Model Cox Extended Signifikan dengan fungsi Waktu antar ketiga jenis pengobatan tersebut. Berikut ini kurva
Estimasi survival dari kelompok resiko Low Risk (I) dan High Risk (V) .
Variabel W2 P-value
Parameter
Pengobatan lainnya 3.004 22.66 1.94-06
Likelihood Ratio 11.82 6e-04
Berikut ini model baru cox extended dari variabel yang
signifikan memengaruhi ketahanan hidup pasien kanker
serviks,
ℎ 𝑡, 𝒙(𝑡) = ℎ (𝑡)exp(3.004 𝑝𝑒𝑛𝑔𝑜𝑏𝑎𝑡𝑎𝑛 𝑙𝑎𝑖𝑛𝑛𝑦𝑎) Gambar 13. Plot Kaplan Meier Risk Group I dan V
Tabel 15. Uji Log-Rank
Berdasarkan Tabel 12 variabel jenis pengobatan lainnya
N
merupakan variabel yang signifikan memengaruhi ketahanan
hidup pasien kanker serviks, jika menggunakan α = 0.05. Risk Group I 403
Risk Group V 6
Apabila ingin mengetahui seberapa besar variabel jenis
pengobatan lainnya tersebut dapat mempengaruhi ketahanan P-value Logrank 2e-11
hidup kanker serviks maka dapat dilihat dari nilai hazard ratio Berdasarkan faktor jenis pengobatan menunjukkan
setiap variabel. Nilai hazard ratio dapat diketahui dengan bahwa pasien kanker serviks yang tidak melakukan jenis
permisalan waktu karena variabel paritas berubah-ubah dan pengobatan kemoterapi, tranfusi PRC, operasi, dan kombinasi
bergantung pada waktu. Berikut ini nilai hazard ratio dari antar ketiga jenis pengobatan tersebut memiliki probabilitas
penderita kanker serviks pada waktu-waktu tertentu, dimana bertahan hidup lebih kecil daripada pasien kanker serviks yang
besar pengaruh variabel jenis pengobatan lainnya berupa pasien melakukan jenis pengobatan kemoterapi, tranfusi PRC, operasi,
kanker serviks yang tidak melakukan pengobatan kemoterapi, dan kombinasi antar ketiga jenis pengobatan tersebut. Hal ini
tranfusi PRC, operasi, dan kombinasi antar ketiga jenis telah sesuai dengan plot diatas dimana kelompok resiko V
pengobatan tersebut terhadap probabilitas ketahanan hidup (High Risk) turun sangat cepat. Selanjutnya untuk mengetahui
pasien kanker serviks. kebenaran dugaan secara statistik bahwa adanya perbedaan
Tabel 13. Nilai Hazard Ratio Variabel Signifikan kurva survival antara pasien kanker serviks kelompok resiko V
Variabel Hazard Ratio (High Risk) dengan pasien yang termasuk kelompok I (Low
Jenis Pengobatan lainnya 20.16 Risk) berdasarkan Gambar 13, maka perlu dilakukan uji Log-
Rank sebagai berikut.
INFERENSI, Vol. 3(1), March 2020, ISSN: 0216-308X (Print) 2721-3862 (Online) 46
Berdasarkan Tabel 15 memberikan informasi bahwa 1. Pada penelitian selanjutnya, sebaiknya waktu penelitian
sebanyak 403 pasien kanker serviks yang melakukan jenis diperpanjang sebab data pasien yang mengalami event
pengobatan kemoterapi, tranfusi PRC, operasi, dan atau meninggal sangat sedikit dibandingkan pasien
kombinasi antar ketiga jenis pengobatan tersebut dengan data tersensor. Waktu yang lebih panjang
diharapkan dapat mewakili waktu survival dari pasien
mempunyai kondisi dimasa datang yang masih cukup
yang mengalami event.
baik sehingga kecil terjadinya resiko event atau 2. Melakukan diskusi secara lebih intens kepada pihak medis
meninggal. Sedangkan 6 pasien kanker serviks yang tidak terkait kanker serviks untuk meminimalisir terjadinya
melakukan jenis pengobatan kemoterapi, tranfusi PRC, kesalahan interpretasi terutama mengenai hazard ratio
operasi, dan kombinasi antar ketiga jenis pengobatan dan prognostis pasien berdasarkan model dari faktor-
tersebut mempunyai perkiraan kondisi dimasa datang faktor yang mempengaruhi ketahanan hidup pasien kanker
yang belum cukup membaik, hal ini mengindikasikan serviks.
tingginya resiko event atau meninggal terjadi.
DAFTAR PUSTAKA
V. KESIMPULAN DAN SARAN
[1] WHO, Cervix Cancer Screening, Lyon: IARCH Press, 2005.
Berikut adalah kesimpulan yang didapat berdasarkan hasil [2] Yayasan-Kanker-Indonesia, Jakarta: Race, 2013.
analisis menggunakan data ketahanan hidup pasien kanker [3] A. K. Dwivedi, S. N. Dwivedi, S. Deo and R. Shukla, "An
serviks di RSUD dr. Soetomo Surabaya. Epidemiological Study on Delay in Treatment Initiation of
1. Karakteristik data yang diperoleh, salah satunya Cancer Patients," Health (1949-4998), p. 4, 2012.
memberikaan informasi bahwa data ketahanan hidup [4] D. Gayatri, Hubungan stadium dengan ketahanan hidup 5 tahun
pasien kanker serviks di RSUD Dr. Soetomo Surabaya pasien kanker serviks di RSUPN Cipto Mangunkusumo dan
yang dapat mencukupi kebutuhan analisis periode 2013- RSK Dharmais, Jakarta: FKMUI, 2002.
2016 berjumlah 409, masing-masing 382 pasien tersensor [5] American-Cancer-Society, Cancer Facts in Medical Reseach.,
dan 27 pasien mengalami event atau meninggal. Atlanta: American Cancer Society, 2013.
2. Kurva survival Kaplan-Meier dari ke-12 faktor yang [6] Solimun, A. A. R. Fernandes and Nurjannah, Pemodelan
diduga mempengaruhi ketahanan hidup pasien kanker Persamaan Struktural (SEM) Pendekatan Warp PLS, Malang:
serviks menunjukkan bahwa probabilitas pasien kanker UB Press, 2017.
serviks mengalami event atau meninggal cenderung cukup [7] D. G. Kleinbaum and M. Klein, Survival Analysis: A Self
baik yaitu diatas 60%. Dari hasil uji Log-rank diperoleh Learning Text (Third ed.), London: Springer, 2012.
empat variabel yang memberikan keputusan Tolak
[8] A. N. Afifah and S. W. Purnami, Regresi Cox Extended untuk
H0artinya terdapat perbedaan kuva survival antar Memodelkan Ketahanan Hidup Penderita Kanker Serviks di
kategorik masing-masing variabel. Empat variabel RSUD dr Soetomo Surabaya, Surabaya: Insitut Teknologi
tersebut adalah status komplikasi, status anemia, jenis Sepuluh Nopember, 2016.
pengobatan, dan stadium. [9] K. D. Inayati and S. W. Purnami, Analisis Survival
3. Hasil dari pengujian asumsi proportional hazard terdapat Nonparametrik Pada Pasien Kanker Serviks di RSUD dr.
variabel yang tidak memenuhi asumsi proportional Soetomo Surabaya Menggunakan Metode Kaplan Meier dan Uji
hazard yaitu variabel paritas, sehingga metode yang Log Rank, Surabaya: Institut Teknologi Sepuluh Nopember,
digunakan untuk memodelkan ketahanan hidup pasien 2015.
kanker serviks adalah metode regresi cox extended. [10] R. M. Nugrahani, Analisis Faktor-Faktor yang Memengaruhi
Variabel yang signifikan berpengaruh terhadap model Hasil Pap Test Kanker Serviks dengan Mengguakan Metode
adalah jenis pengobatan lainnya. Regresi Logistik Ordinal, Surabaya: Institut Teknologi Sepuluh
4. Prognostik yang diperoleh memberikan kesimpulan Nopember, 2010.
bahwa terbagi menjadi dua kelompok resiko yaitu [11] R. Walpole, Intoduction to Statistics, New York: Macmillan
kelompok I (low risk) dan kelompok V (high risk), dimana Publishing Co. Inc, 1995.
kelompok lowrisk terdapat pada 403 pasien kanker serviks [12] Le and C. T., Applied Survival Analysis., New York: John
yang menjalani rawat inap di RSUD Dr. Soetomo periode Wiley and Sons. Inc, 1997.
2013-2016 yang artinya resiko terjadinya event sangat [13] Hosmer and Lemeshow, Applied Logistic Regression, USA:
rendah, hal ini menunjukkan perkiraan penyembuhan John Wiley & Sons, 2000.
pasien dimasa datang kondisimya dapat membaik atau [14] Collett and D., Modelling Survival Data in Medical Research
prognosis baik. Sedangkan kelompok highrisk berjumlah (2nd ed), London: Chapman and Hall, 2003.
6 pasien kanker serviks yang menjalani rawat inap di [15] V. Van Belle, K. Pelckmans, J. A. Suykens and S. Van Huffel,
RSUD Dr. Soetomo periode 2013-2016 yang artinya "Additive Survival Least Square Support Vector Machines,"
resiko terjadinya event sangat tinggi, hal ini menunjukkan Statistics in Medicine, vol. 29, no. 2, pp. 296-308, 2010.
prognosis yang buruk pada pasien atau perkiraan [16] G. Soussi, N. B. Alaya, N. Chaouch and H. Racil, "Development
penyembuhan pasien dimasa datang akan sangat kecil and Validation of a Prognostic Index for Survival in Non-Small
kemungkinannya. Cell Lung Cancer," Issue Cancer Epidemiology, pp. 111-118,
2018.
Sedangkan saran yang diberikan untuk penelitian
selanjutnya antara lain sebagai berikut.