• 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
• bertujuan menaksir probabilitas kelangsungan
hidup, kekambuhan, kematian, dan peristiwa-
peristiwa lainnya sampai pada periode waktu
tertentu. Ada sejumlah model telah dicoba
untuk menghubungkan antara faktor risiko,
kelangsungan hidup dan jangka waktu
penaksira
• Dalam menentukan waktu survival, ada tiga
faktor yang dibutuhkan yaitu
• 1. Waktu awal pencatatan (start point).
• 2. Waktu akhir pencatatan (end point)
• 3. Dan skala pengukuran
• 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.
• Perbedaan antara analisis survival dengan analisis statistik lainnya
adalah adanya data tersensor. Data tersensor adalah data tercatat
saat adanya informasi tentang waktu survival individual, tetapi
tidak tahu persis waktu survival yang sebenarnya
• 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.
 Fungsi Survival, Fungsi densitas, Fungsi
hazard
• Fungsi Survival (Survivourship Function)
Adalah peluang suatu individu dapat bertahan
hidup lebih dari waktu t, dan biasanya
dinotasikan dengan S(t). Fungsi survival dapat
diestimasikan melalui proporsi individu yang
hidup dari t atau
• Fungsi Densitas (Probability Density Function)
Adalah peluang suatu individu akan meninggal
pada interval yang pendek (Δt) dan
dinotasikan dengan f(t). fungsi densitas dapat
diestimasikan melalui :
• Fungsi Hazard (Hazard Function) Adalah
probabilitas kematian selama interval waktu
(t,Δt) dengan asumsi individu tetap hidup
pada interval waktu tersebut. Dan biasanya
dinotasikan dengan ln(t). Fungsi hazard dapat
diestimasikan melalui :
• fungsi survival dapat digambarkan dengan kurva mulus
dan memiliki karakteristik:
• 1. Tidak meningkat, kurva cenderung menurun ketika t
meningkat
• 2. Untuk t = 0,5 = s (0) = 1 adalah awal dari penelitian,
karena tidak ada objek yang mengalami peristiwa,
probabilitas waktu survival 0 adalah 1
• 3. Untuk t = , s (t) = s ( ) = 0; secara teori, jika periode
penelitian meningkat tanpa limit maka tidak ada satu pun
yang bertahan sehingga kurva survival mendekati nol
 Jenis dan Indikasi
• Life Table
– Untuk menentukan survival rate
• Kaplan-Meier
– Untuk membandingkan survival rate dua
kelompok atau lebih
• Cox Regression
– Untuk mempelajari faktor-faktor yang
mempengaruhi survival rate
 Terminologi
• End Point atau Terminal Event
– Kondisi yang menjadi tujuan akhir pengamatan
(mati, relap, sembuh, dll)
• Censored atu Withdrawal
– Loss of follow up sehingga tidak diketahui status
end pointnya
• Survival Rate
– Proporsi survival sampai waktu pengamatan
tertentu
 Life Tabel
• Merupakan tabel aktuarial yang dipakai
menghitung harapan hidup (survival
expectation)
• Dalam penelitian epidemiologi dipakai untuk
menghitung proporsi survival kumulatif atau
proporsi kelangsungan hidup atau
continuation rate (KB)
 Konstruksi Life Table
no Komponen Formula
1 Interval start time (x)
2 Number entering interval (nx) n(x+1) =nx-wx-dx
3 Number withdrawal (wx)
4 Number exposed to risk (n’x) n’x = nx -1/2wx
5 Number terminal events (dx)
6 Proportion terminating (qx) qx=dx/n’x
7 Proportion surviving (px) px=1-qx
8 Cum. proport. surviving (Lx) Lo=px
Lx=L(x-t) x px
9 Probability density =dx/(t x n’x)
10 Hazard rate = dx/{t x (nx+nx+1)/2}
 Life Table
Prop Haza
tx nx wx n’x dx qx px Lx Dens rd
ity Rate
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
 Kaplan-Meier
• cocok digunakan ketika ukuran sampel kecil
• Analisis Kaplan Meier menggunakan asumsi sebagai berikut
:
• (1) Subyek yang menarik diri dari penelitian secara rata-rata
memiliki “nasib” kesudahan variabel hasil (peristiwa) yang
sama dengan subyek yang bertahan selama pengamatan;
• (2) Perbedaan waktu mulainya masuk dalam pengamatan
antar subyek tidak mempengaruhi risiko (probabilitas)
terjadinya variabel hasil (peristiwa). Probabilitas peristiwa
untuk berbagai jangka waktu tersebut dapat digambarkan
sebagai kurva analisis survival
• Metode Kaplan-Meier didasarkan pada waktu
kelangsungan hidup individu dan
mengasumsikan bahwa data sensor adalah
independen berdasarkan waktu kelangsungan
hidup (yaitu, alasan observasi yang disensor
tidak berhubungan dengan penyebab failure
time)
• Sebenarnya metode life-table sama dengan Kaplan-
Meier, namun pada life-table objek diklasifikasi
berdasarkan karakteristik tertentu yang masing-
masing karakteristik disusun dengan interval
dengan menganggap peluang terjadinya efek
selama masa interval adalah konstan, sehingga
data yang diperoleh akan lebih umum. Sedangkan
pada metode Kaplan-Meier objek dianalisis sesuai
dengan waktu aslinya masing-masing.