ANALISIS SURVIVAL

KAPLAN MEIER, LIFE TABLE & LOG RANK

ALFIRA NIM. 207008003

DINA RAHMI SOLIHAD NASUTION NIM. 207008006

Program Studi Biomedik

Fakultas Kedokteran
Universitas Sumatera Utara
 Distribusi Data
Tidak Normal

Regresi Nonlinear

Data berupa
Analisis Survival
waktu

Kaplan Meier Life Table Log Rank

 Analisis Survival

Waktu -> tahun, bulan, bulan,

Analisis ketahanan -> kumpulan prosedur statistik hari, jam, atau bahkan menit yang
untuk menganalisis data, dimana datanya adalah diukur sejak pengamatan dimulai
“lamanya waktu/titik asal” dan variabel akhirnya hingga muncul kejadian.
adalah waktu hingga muncul “kejadian/titik akhir”.

Kejadian yang diamati ->

kematian, insiden penyakit ,
kekambuhan, atau penyembuhan.

Contoh penggunaan :
1. untuk menghitung efektivas pengobatan atau memperkirakan lama hidup seorang pasien
ketika diagnosa ditegakkan.
2. Untuk mengukur kemungkinan seseorang berisiko terkena suatu penyakit atau mengukur
lamanya waktu yang dibutuhkan untuk perawatan luka dalam kondisi tertentu hingga
sembuh.
Sifat Dari Data Survival

• Pengamatannya ke arah positif

• Tidak berdistribusi Normal, melainkan miring ke kanan (right skewed).
• Ada individu yang datanya tidak dapat ditentukan.
Contoh: Bagi beberapa individu, kita tahu waktu survivalnya sekurang­
kurangnya adalah t (pengamatan tidak lengkap). Sedangkan , bagi yang
lainnya, kita tahu w aktu survivalnya dengan persis.
Respon pengamatan yang tidak lengkap disebut tersensor (Waktu
survivalnya lebih kecil dari yang sebenarnya , waktu yang sebenarnya
masih belum jelas).

• Biasanya tidak semua individu masuk ke dalam penelitian pada saat yg sama.
Ada pasien yang masuk belakangan.
 Analisis Survival

1. Waktu dari variabel (waktu ketahanan atau

survival time) atau waktu individu untuk tetap
bertahan pada periode pengamatan.
Positif -> pemberian makanan
tambahan pada balita kurang
gizi (adanya perbaikan gizi)
3 Istilah penting dalam
2. Kejadian (event) atau variabel yang menjadi
analisis survival
fokus dalam penelitian. negatif -> kematian,
insiden penyakit,

3. Sensor, sensor terjadi apabila memiliki waktu

Right - censored
ketahanan individu yang menjadi subyek
penelitian, walaupun sesungguhnya kita tidak
mengetahui waktu ketahanan yang pasti. Interval- censored

Left - censored
 Sensoring dan Trunkasi
Salah satu karakteristik data survival ialah kemungkinan
adanya sensoring (censoring).

Sensoring adalah kegagalan yang terjadi pada saat subjek tidak

sedang diamati (tidak diketahui lama waktu ketahanannya).
Pada sensoring nilai data tidak lengkap karena faktor yang
bersifat acak untuk tiap subjek.

Bentuk yang paling sering ditemukan adalah data tersensor-

kanan (right-censored).
 Censored Data

Disebut sensor jika misalnya suatu studi berakhir tetapi

tidak muncul kejadian yang diinginkan atau subjek yang
diteliti pergi tanpa pesan atau subjek mengundurkan diri
karena suatu alasan atau dapat pula subyek mendapatkan
kejadian yang bukan merupakan fokus penelitian.
 Bentuk right-cencored (tersensor - kanan) dapat dilihat pada
kejadian berikut :

Pada saat studi berakhir subjek belum mengalami kegagalan.

Subjek mengundurkan diri dari penelitian dan tidak dapat
diamati lebih lanjut (lost to follow-up; withdrawal).
Subjek mengalami kegagalan lain yang menyebabkan
pengamatan tidak dapat diteruskan (competing risk).
Subjek dikatakan tersensor-interval (interval-censored) jika
pengamatan tidak dilakukan secara kontinu, melainkan setiap
akhir interval tertentu.

Kegagalan dapat terjadi di tengah suatu interval tanpa

diketahui secara tepat waktu survival-nya.

Subjek disebut tersensor-kiri (left-censored) jika kegagalan

telah terjadi sebelum subjek memasuki studi, tetapi tidak
diketahui secara tepat saat terjadinya.
 Karakteristik fungsi survival S (t ) antara lain adalah:

 Tak membesar: Fungsi survival S (t ) mengecil sejalan dengan

bertambahnya nilai t.
 Pada waktu t = 0, S (t ) = S (0) = 1, yaitu pada awal studi belum ada
subjek yang mengalami kegagalan atau P (T > 0) = 1.
 Pada waktu t = , S (t ) = S (¥) = 0, yaitu jika secara teoretis periode
studi diperpanjang tanpa batas, suatu saat tidak ada lagi subjek
yang survive.
 Grafik fungsi survival S (t ) terhadap waktu t secara teoretik
diperlihatkan pada gambar berikut:
Grafik fungsi survival Sˆ (t ) Grafik fungsi survival Sˆ (t )
teoritik dalam praktik
Risiko dan Rate

Risk merupakan probabilitas bersyarat, yaitu probabilitas subjek untuk mengalami

kegagalan dalam suatu interval waktu dengan syarat ia survive sampai dengan awal interval
tersebut. Estimasinya dari data sampel adalah:

Rate dari data sampel adalah jumlah kegagalan dalam suatu interval waktu dibagi jumlah
waktu pengamatan terhadap seluruh subjek dalam penelitian tersebut (Person-time)
Kleinbaum, 1996 menyatakan bahwa kegunaan analisis ketahanan :
 Pertama adalah untuk memperkirakan probabilitas ketahanan suatu kejadian
menurut waktu.
 Kedua dapat untuk menyimpulkan status kesehatan penduduk.
 Ketiga, membandingkan ketahanan suatu kejadian antar kelompok.
 Keempat, mengidentifikasi laju suatu kejadian yang dialami penduduk dalam
periode waktu tertentu.

Analisis ketahanan mengenal dua terminologi yaitu fungsi

ketahanan (survival function) yang diberi simbol dengan S(t) dan
fungsi hazard (hazard function) yang diberi simbol H(t).
 Fungsi ketahanan atau S(t) menjelaskan probabilitas seseorang untuk survive lebih
lama dari waktu spesifik t. Contoh fungsi ketahanan pada penelitian -> hubungan
stadium klinik dengan ketahanan hidup 5 tahun pasien kanker serviks, penelitian ini
mendapatkan hasil bahwa pada pasien stadium I kanker serviks probabilitas untuk
tetap hidup tahun pertama sekitar 76,5%.

 Fungsi hazard atau H(t) adalah probabilitas gagal pada interval waktu t. Penggunaan
fungsi ini untuk menghitung besarnya risiko seseorang untuk mengalami kejadian,
umumnya variabel penelitian dijadikan variabel kategorik terlebih dahulu serta salah
satu dari kategori dijadikan pembanding.

Contoh penggunaan fungsi hazard pada penelitian -> hubungan stadium dengan
peluang ketahanan hidup pasien kanker serviks di atas adalah dibanding dengan
stadium I, maka risiko meninggal pada stadium II 2 kali lebih besar, stadium III 6,3
kali, dan stadium IV hampir 13 kalinya.
KAPLAN MEIER
 Kaplan Meier

Kaplan-Meier dikenal juga sebagai estimasi limit-produk

(product-limit).
Karakteristik Kaplan-Meier antara lain:
 Tidak dikelompokkan dalam interval tertentu.
 Dapat digunakan pada analisis ketahanan dengan jumlah subjek yang
sedikit.
 Subjek yang tersensor juga diikutsertakan dalam analisis.
 Efek yang dihitung tepat pada saat ia terjadi.
 Lama pengamatan disusun dari yang terpendek hingga yang terpanjang
dengan catatan subjek yang tersensor diikutsertakan.
 Fungsi survival untuk suatu interval waktu adalah proporsi jumlah
subjek survive pada awal interval (Ni-1) dikurangi jumlah kegagalan
dalam interval tersebut (di) / jumlah survive pada awal interval (Ni-1)

 Jumlah sensoring ataupun withdrawal tidak diperhitungkan

dalam estimasi Kaplan - Meier. Estimasi Kaplan - Meier lazimnya
digunakan untuk langsung mengestimasi fungsi survival.
Kelebihan metode ini dibandingkan dengan metode life table
(pengelompokan waktu) adalah dapat memberikan
proporsi ketahanan hidup yang pasti karena menggunakan
waktu ketahanan hidup secara tepat bukan berdasarkan
kelas interval.

Dapat disimpulkan, bila data penelitian tersensor dan

kejadian yang dimiliki tidak terlalu lengkap, maka sebaiknya
memilih metode Life tabel dan sebaliknya.
 SPSS KAPLAN MEIER

Analisis SPSS

a. Klik analyze
b. Pilih survial
c. Pilih Kaplan Meier
d. Pindahkan person_time ke time
e. Pindahkan status ke status, klik define event, isikan angka 1
f. Klik faktor/variabel bebas yang akan dianalisis, misal jenis kelamin
g. Pilih Options klik surial table, mean-median survial,
plot : survival dan log survival
No waktu jk Obat status
1 14 0 0 1
2 5 0 1 1
3 14 1 1 1
4 9 1 0 1
5 20 1 0 0
6 20 1 1 0
7 10 1 0 1
8 10 1 1 1
9 8 0 0 1
10 20 0 0 0
11 16 0 0 1
12 3 0 0 1
13 15 0 1 1
14 16 1 0 1
15 12 0 1 1
16 6 1 0 1
17 15 1 1 1
18 15 1 0 1
19 9 1 0 1
20 18 0 0 1
21 14 1 0 1 Keterangan
22 18 1 1 1
Jk (0=perempuan ; 1 = laki-laki)
23 8 1 1 1
24 13 0 0 1
Status (0=tersensor ; 1=sembuh)
25 10 0 0 1 Obat (0=A ; 1=B)
26 11 1 0 1
27 8 1 0 1
28 6 1 1 1
29 15 1 1 1
30 20 1 1 0
31 14 1 0 1
32 12 1 0 1
33 16 1 1 1
34 19 1 1 0
35 19 0 0 0
36 15 0 0 1
37 11 0 1 1
38 4 0 1 1
39 19 0 0 0
40 15 0 1 1
41 20 1 1 0
42 19 1 1 0
Data View
Variabel View
Lakukan lagi analisis statistik Kaplan Meier
untuk variabel obat seperti langkah-langkah
pada variabel jenis kelamin
Keputusan :
1. Ada perbedaan ketahanan hidup antara pasien laki-laki dan perempuan
2. Ada perbedaan ketahanan hidup antara penggunaan obat A dan B
LATIHAN
 X5 (Metode
Y X1 X2 X3 X4 Pengobatan) Status
(time) (Umur) (Skor) (Bulan) (Kanker)
33 14 70 3.57 1 1 1
29 64 50 0.97 1 1 1
12 58 50 0.4 1 1 1
36 74 50 2.37 1 2 1
5 57 30 0.17 2 2 1
29 39 60 0.97 1 2 1
31 61 50 1.5 1 1 1
24 53 40 0.8 1 2 1
3 43 50 0.1 1 2 1
62 47 60 2.4 1 2 1
37 45 50 1.23 1 1 1
50 43 60 1.67 1 1 1
32 67 70 2.6 2 1 1
33 61 50 1.1 2 1 1
22 48 50 1.77 1 1 1
30 55 50 1.03 2 1 1
33 65 50 1.1 2 1 1
132 30 50 5.13 2 1 1
29 50 50 0.97 1 1 1
9 37 50 0.3 1 2 1
11 31 60 3.57 1 2 1
95 59 70 6.97 2 1 1
26 47 50 0.93 1 1 1
21 57 20 0.7 1 1 1
19 45 50 0.63 1 2 1
2 54 40 3.3 1 2 1
285 56 50 9.53 2 1 0
10 62 30 0.5 3 2 1
34 45 50 1.13 1 2 1
8 26 50 0.27 2 2 1
67 54 70 2.9 2 1 1
24 45 50 0.8 1 1 1
185 60 80 9.3 1 2 0
13 63 50 0.43 1 1 1
41 47 40 1.37 2 2 1
703 70 40 23.43 1 1 0
22
15
2
71
70
70
0.73
0.5
3
1
2
2
1
1
Kanker_X4 (1: adenocarsinoma, 2: squamosa, 3:small, 4: besar)
15
1
40
52
60
50
0.5
0.03
1
1
2
2
1
1
Metode_X5 (1: kemoterapi, 2: non-kemoterapi)
20
6
16
71
50
50
0.67
0.2
3
2
1
2
1
1
Status _X6 (1: teramati, 2 :tersensor)
33 46 40 1.87 1 2 1
25 49 80 3.63 1 1 1
162 47 80 5.4 2 2 0
11 54 50 0.7 1 2 1
10 79 60 0.33 1 2 1
3 62 50 0.1 1 2 1
5 63 40 0.17 1 2 1
4 54 50 0.13 1 2 1
Uji Log-Rank
 Uji log-rank adalah uji statistik untuk memperbandingkan dua
atau lebih fungsi survival, baik dalam tabel kehidupan ataupun grafik
kurvanya. Uji log-rank adalah uji Chi-kuadrat untuk sampel
besar, yang memperbandingkan frekuensi sel observed dengan
expected untuk seluruh kategori interval waktu.

Uji ini bertujuan untuk melihat apakah ada beda survival experience
dari satu kelompok tertentu dengan kelompok yang menjadi acuan.
Misal, apakah penderita anak – anak penderita down syndrome secara
rata – rata berumur lebih pendek dibandingkan dengan anak – anak
normal?

yang berdistribusi khi-kuadrat dengan derajat bebas G – 1; G

menyatakan jumlah grup perbandingan.
Contoh:
Dimiliki data remisi leukemia (satuan waktu dalam
minggu) sebagai berikut:
Grup pengobatan: 6*, 6, 6, 6, 7, 9*, 10*, 10, 11*, 13, 16, 17*, 19*,
20*, 22, 23, 25*, 32*, 32*, 34*, 35*
Grup kontrol: 1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8, 8, 8, 11, 11, 12, 12, 15,
17, 22, 23 Tanda ‘*’ menyatakan sensoring.
Keterangan
d1 : Jumlah kegagalan observed pada minggu ke-i
n1 : Jumlah subjek survive sampai dengan awal minggu ke-i
e1 : Jumlah kegagalan expected pada minggu ke
 Pada awal minggu pertama, di kedua kelompok masing-
masing ada 21 subjek. Minggu pertama, kelompok pengobatan
tidak ada kegagalan, kelompok 21 dan 12 kontrol ada 2
kegagalan, sehingga jumlah subjek pada awal minggu kedua
menjadi 21 dan 19 subjek, dan seterusnya.
Pada awal minggu keenam, di kedua kelompok masing-
masing terdapat subjek. Minggu keenam, kelompok pengobatan
ada 3 kegagalan dan 1 sensoring, kelompok kontrol tidak ada
kegagalan, sehingga pada awal minggu ketujuh jumlah subjek kedua
kelompok adalah 17 dan 12 subjek, dan seterusnya.
 SPSS Kaplan Meier-Log Rank

Analisis SPSS

a. Klik analyze
b. Pilih survial
c. Pilih Kaplan Meier
d. Pindahkan person_time ke time
e. Pindahkan status ke status, klik define event, isikan angka 1
f. Klik faktor/variabel bebas yang akan dianalisis, misal jenis kelamin
g. Klik compare factor/ ceklis log rank
h. Pilih Options klik surial table, mean-median survial,
plot : survival dan log survival
1. p=0,636 > α=0.05, kita dapat menyimpulkan bahwa tidak ada perbedaan fungsi
ketahanan hidup antara jenis kelamin laki-laki dan perempuan.
2. p=0,434 > α=0.05 bahwa tidak ada perbedaan fungsi ketahanan hidup antara
penggunaan obat a dan b.
LIFE TABLE
 Life Tabel

Life table (Tabel hayat) adalah daftar yang berisi riwayat kehidupan suatu
penduduk menurut umur, yang menerangkan riwayat suatu kelompok hipotesis
(hypothetical group) atau suatu kelompok penduduk yang berkenaan dengan riwayat
kematian secara bertahap. Metode Life Tabel ini dikenal dengan nama metode Actu-
arial atau Cutler-Ederer. Penggunaan metode ini dengan cara menentukan interval
waktu yang dikehendaki.

Untuk menjalankan prosedur Life Tables, ada beberapa syarat minimal adalah:
1. Satu variabel waktu ketahanan hidup
2. Satu variabel status subyek, yang menjelaskan apakah satu kejadian (event) telah
terjadi atau sensor telah terjadi
3. Kode terjadinya kejadian (event) dan sensor
4. Interval waktu untuk perhitungan tabel kehidupan
Kegunaan dari table tersebut adalah:
1. Menganalisa kemungkinan bertahan hidup suatu individu dalam suatu
poulasi
2. Menentukan umur yang paling rentan mati
3. Menduga pertumbuhan populasi

Ada dua tipe table kehidupan, yaitu:

1. Table static (time specific life table): lebih sesuai untuk organism yang
bergerak dan berumur panjang. Data yang diapakai adlah data pada
waktu tertentu untuk semua kelompok umur yang ditemukan dalam
populasi saat itu.
2. Tabel Dinamik (age-specific/cohort life table) : lebih sesuai untuk
tumbuhan dan organism sejenis lainnya, serta yang berumur pendek.
Data diperoleh dengan mengikuti dinamika suatu kelompok individu
yang lahir pada waktu tertentu, dari lahir sampai mati.
CONTOH SPSS LIFE TABLE
Time Event
3 1
3 1
3 1
3 1
3 1
3 1
3 1
5 1
5 1
5 1
12 1
12 1
12 1
14 0
14 1
16 1
16 1
20 1
20 1
20 0
24 1
24 0
24 0
24 0
24 0
24
24
0
0 Event : 0= teramati, 1 =
24
24
0
0 tersensor
24 0
Data View
Variabel View

Event : 0= teramati, 1 = tersensor

Cumulative proportion (Sti) untuk interval waktu
0-3 : 0,67
0-6 : 0,67
0-9 : 0,57
0-12 : 0,53
0-15 : 0,46
0-18 : 0,39
0-21 : 0,32