Video motivasi

Jangan Meremehkan
Life insurance

Wujud terimakasih
Analisi Data Uji Hidup
Konsep Dasar
 Pendahuluan
Dalam bidang manufaktur, analisis data uji
hidup (Survival Analysis) sangat berguna untuk
menguji daya tahan/keandalan produk hasil industri.
Sedangkan dalam bidang kedokteran, analisis data
uji hidup (Survival Analysis) bermanfaat untuk
mengukur lamanya daya tahan hidup seorang
penderita dalam suatu eksperimen yang menyangkut
pengobatan suatu penyakit.
 Pengertian Analisis Survival
Analisis survival adalah salah satu metode statistik
yang dapat digunakan untuk menjawab pertanyaan
apakah dan kapan suatu kejadian (event) menarik
terjadi. (Guo, 2010)
Analisis survival adalah suatu metode yang
berhubungan dengan waktu, mulai dari time origin
atau start point sampai dengan terjadinya suatu
kejadian khusus atau end point. Data yang diperoleh
di bidang kesehatan merupakan pengamatan
terhadap pasien yang diamati dan dicatat waktu
terjadinya kegagalan dari setiap individu (Collet,
1994).
 Pengertian
Menurut Kleinbaum & Klein, analisis survival
adalah teknik statistik yang digunakan untuk
menganalisis data yang bertujuan untuk
mengetahui hasil dari variabel yang
mempengaruhi suatu awal kejadian sampai akhir
kejadian, contohnya waktu yang dicatat dalam
hari, minggu, bulan atau tahun. Untuk kejadian
awal contohnya awal pasien terjangkit penyakit
dan untuk kejadian akhir contohnya kematian
pasien dan kesembuhan pasien.
 Faktor waktu survival
Dalam menentukan waktu survival, ada tiga faktor yang
dibutuhkan yaitu :
1. Waktu awal pencatatan (start point).
Waktu awal pencatatan adalah waktu awal dimana
dilakukannya pencatatan untuk menganalisis suatu
kejadian.
2. Waktu akhir pencatatan (end point).
Waktu akhir pencatatan adalah waktu pencatatan
berkahir. Waktu ini berguna untuk mengetahui status
tersensor atau tidak tersensor seorang pasien untuk
bisa melakukan analisis.
3. Dan skala pengukuran sebagai batas dari waktu kejadian
dari awal sampai akhir kejadian. Skala diukur dalam hari,
minggu, atau tahun.
 Tujuan Analisis Survival
Menurut (Kleinbaum, 1997) ada beberapa
tujuan analisis survival:
1. Mengestimasi/memperkirakan dan
menginterpretasikan fungsi survival atau
hazard dari data survival.
2. Membandingkan fungsi survival dan fungsi
hazard pada dua atau lebih kelompok.
3. Menilai hubungan variabel-variabel
explanatory dengan survival waktu
ketahanan.
 Istilah dalam ADUH
Beberapa istilah yang dipergunakan dalam
analisis data uji hidup (Survival Analysis) adalah
life time, survival time dan failure time. Istilah-
istilah ini secara harfiah mempunyai makna
yang sama, yaitu menunjukkan daya tahan
suatu objek. Akan tetapi pengertiannya akan
menjadi berbeda bergantung pada jenis
peristiwa yang diterangkan oleh istilah-istilah
tersebut
 Life Time
Menunjukkan lamanya waktu hidup
suatu sistem yang diukur dari titik waktu
tertentu sampai sistem tersebut tidak dapat
berfungsi lagi dengan normal. Kata sistem
digunakan untuk menunjukkan sesuatu yang
umum sehingga sistem yang dimaksud dapat
berupa manusia, peralatan, produk dan lain.
Menurut Kleinbaum dan Klein, analisis
survival mencakup berbagai teknik statistik
yang berguna untuk menganalisis berbagai
macam variabel random positif. Variabel
random positif padda analisis survival berupa
survival time yaitu waktu tahan hidup atau
failure time yaitu waktu kegagalan.
 Contoh Life Time
Terdapat produk industri yang dapat
diperbaiki lebih dari satu kali. Jika suatu
eksperimen dilakukan untuk mengetahui
lamanya waktu antara satu kerusakan sampai
terjadi kerusakan berikutnya, maka lamanya
waktu tersebut dikatakan sebagai life time.
 Contoh Failure Time
Pada suatu produk industri dilakukan
eksperimen untuk mengetahui keandalannya.
Eksperimen tersebut berupa pengoperasian
produk sampai produk tersebut mengalami
kegagalan atau tidak dapat berfungsi dengan
normal. Dalam kondisi seperti ini biasanya life
time berarti waktu kegagalan (failure time).
 Contoh Survival Time
Dalam bidang pengobatan, eksperimen
dilakukan untuk mengetahui lamanya daya
tahan hidup penderita yang diukur sejak
tanggal diagnosis atau dimulai pada
permulaan waktu tertentu. Lamanya daya
tahan hidup penderita disebut sebagai
Survival Time.
 Fungsi
Distribusi (Probabilitas) variabel waktu
T dapat dinyatakan dengan banyak cara. Tiga
diantaranya dipakai secara luas dalam
aplikasi, yaitu dengan menerapkan fungsi
kelangsungan (Survivour Function), fungsi
densitas (Density Function) dan fungsi hazard
(Hazard Function).
 Fungsi Survival
(Survival Function)
Menurut Lawless (1982) fungsi tahan hidup (Survival)
adalah probabilitas suatu individu yang masih dapat bertahan
hidup sampai dengan waktu ( > 0). Jika T merupakan variabel
random dari waktu hidup suatu individu dalam interval (0, ),
maka fungsi distribusi kumulatif () untuk distribusi kontinu
dengan fungsi densitas probabilitas () dinyatakan sebagai

berikut = ( ) atau = 0 , untuk > 0
Oleh karena itu diperoleh fungsi tahan hidup (Survival) yang
didefinisikan dengan
=
=1
= 1 ()
Dalam hal ini fungsi tahan hidup ()
merupakan fungsi monoton turun yang
mempunyai sifat.
0 = 1 , artinya peluang suatu individu
bertahan hidup lebih lama dari waktu nol
adalah 1
= 0 , artinya peluang suatu individu
bertahan hidup pada waktu yang tak
terhingga adalah 0.
 Fungsi Densitas
(Pobability Density Function)

Menurut Lawless (1982) fungsi densitas

probabilitas adalah probabilitas suatu
individu mati atau gagal dalam interval waktu
dari t sampai + , dengan waktu T
merupakan variabel random. Fungsi densitas
probabilitas dinyatakan dengan
(< + )
= lim
0
 Fungsi Hazard
(Hazard Function)
Menurut Lawless (1982) fungsi hazard
adalah probabilitas suatu individu mati dalam
interval waktu dari t sampai + , jika diketahui
individu tersebut masih dapat bertahan hidup
sampai dengan waktu t. Fungsi hazard secara
matematika dinyatakan sebagai:
( < ( + )| )
= lim
0
Data Tersensor dan Tidak Tersensor
Menurut Lawless, sampel analisis data
waktu hidup ada dua yaitu data tersensor (data
tidak lengkap) dan data tidak tersensor (data
lengkap). Data tersensor (data tidak lengkap)
adalah data yang diambil jika penelitian
dihentikan setelah waktu yang ditentukan atau
setelah diperoleh beberapa dari obyek penelitian
mengalami kejadian yang dimaksud dalam
penelitian.
 Sensor adalah teknik-teknik untuk
mengurangi waktu eksperimental karena
keterbatasan waktu penelitian atau
keterbatasan biaya.
Alasan Terjadinya Data Tersensor
Menurut Catala, Orcau, Millet, Olal la, Mondragon, dan
Cayla (2011) ada 3 alasan terjadinya data tersensor :
1. Seseorang tidak mengalami suatu peristiwa dari
awal pencatatan sampai akhir pencatatan.
2. Sesorang hilang tanpa ada alasan ketika pencatatan
sampai akhir pencatatan.
3. Seseorang tercatat keluar dari penelitian karena
kematian atau beberapa alasan lain seperti reaksi
obat yang merugikan objek.
 Menurut Pyke & Thompson (1986) data
dikatakan tersensor jika pengamatan waktu
survival hanya sebagian, tidak sampai failure
event. Penyebab terjadinya data tersensor antara
lain:
1. Loss to follow up, terjadi bila obyek pindah,
meninggal atau menolak untuk berpartisipasi.
2. Drop out, terjadi bila perlakuan dihentikan
karena alasan tertentu.
3. Termination, terjadi bila masa penelitian
berakhir sementara obyek yang diobservasi
belum mencapai failure event.
 Penyensoran
Jenis penyensoran dapat dibagi menjadi
tipe-tipe penyensoran. Menurut Johnson
(1982), tipe-tipe penyensoran terdiri dari:
Penyensoran Tipe I
Penyensoran Tipe II
Penyensoran Maju (Progressive
Censoring)
 Penyensoran Kiri
jika kejadian gagal terjadi sebelum batas kiri
atau kegagalan berlangsung lebih cepat dari
waktu awal penelitian (t0) yang diilustrasikan
dengan Gambar berikut ini:
 Penyensoran Interval
apabila selama waktu penelitian individu mengalami kejadian yang tidak
didefinisikan dalam penelitian.

Gambar tersebut menunjukkan jenis data tersensor interval. Pandang

penelitian mengenai penyakit jantung koroner di mana kematian pasien
dianggap sebagai kejadian yang diteliti. Pengamatan dikatakan tersensor
interval jika pasien mengalami kejadian selain kematian akibat penyakit
jantung koroner dalam selang waktu penelitian.
 Penyensoran Kanan
Tersensor kanan, apabila kejadian gagal yang dispesifikasi
terjadi setelah batas kanan (tK). Jika individu yang diteliti
belum mengalami kematian sampai waktu penelitian
berakhir, maka individu dikatakan tersensor kanan, seperti
dijelaskan pada Gambar
 Penyensoran Tipe I
Semua objek yang diteliti masuk
pengujian dalam waktu yang bersamaan dan
pengujian dihentikan setelah batas waktu
yang ditentukan. Kelemahan dari sensor tipe I
ini bisa terjadi sampai batas waktu yang
ditentukan semua objek masih hidup sehingga
tidak diperoleh data taan hidup dari objek
yang diteliti.
 CONTOH PENYENSORAN TIPE I
Misalnya, dilakukan penelitian waktu ketahanan siswa yang masuk SD pada tahun
yang sama.

menunjukkan waktu ketahanan siswa. Siswa A, B, dan D putus sekolah pada bulan
ke 36, 48, dan 84 yang selanjutnya disebut sebagai amatan tidak tersensor dan
data ketiga siswa lainnya disebut sebagai amatan tersensor. Siswa C dan E
merupakan contoh kasus withdrawn alive (tetap bertahan hingga batas waktu
penyensoran), sedangkan siswa F merupakan contoh kasus lost to follow up
(hilang sebelum batas waktu penyensoran.
 Penyensoran Jenis II
Semua objek yang diteliti masuk
pengujian dalam waktu yang bersamaan dan
pengujian dihentikan setelah mendapatkan r
objek diantaranya mati, sedangkan subyek
yang tersisa kemudian disensor.
 CONTOH PENYENSORAN TIPE II
Misalnya pada penelitian yang dilakukan terhadap siswa SD
tahun untuk mengetahui waktu ketahanan sekolahnya,
penelitian akan dihentikan jika empat siswa putus sekolah.
Ternyata pada bulan ke 72 terdapat empat siswa yang putus
sekolah (A, D, E dan F) sehingga penelitian dihentikan pada
bulan tersebut.
 Penyensoran Maju
(Progressive Censoring)
Pada penyensoran maju, suatu jumlah yang
ditentukan dari unit-unit bertahan dikeluarkan
dari penelitian berdasarkan kejadian dari tiap
kegagalan terurut. Secara konseptual, hal ini
sama dengan suatu praktek yang dikenal sebagai
sudden-death testing, dimana tes secara
bersamaan memuat beberapa pengetesan dan
apabila terjadi kegagalan pertama, maka seluruh
pengetesan dianggap gagal.
 Penyensoran Acak
Sensoring Acak (atau non-informatif) adalah ketika setiap mata pelajaran
memiliki waktu yang menyensor statistik independen waktu kegagalan
mereka. Nilai yang diamati adalah minimum dari sensor dan waktu
kegagalan; subyek yang waktu kegagalan lebih besar dari waktu
menyensor mereka benar-disensor. Penyensoran Acak digunakan ketika
peneliti ingin mengamati setiap objek pada waktu berbeda. Penyensoran
acak ditampilkan pada Gambar berikut ini: