ANALISIS

SURVIVAL
Chronika Kesya Sirait
30000223410003
 01
Pengertian
Survival merupakan asal kata dari to
survive yang berarti ketahanan atau
kelangsungan hidup (Kleinbaum, 1996)
Analisis ketahanan (Survival Analysis)
dideskripsikan sebagai kumpulan
prosedur statistik untuk menganalisis
data yang variabel akhirnya adalah
Waktu hingga muncul Kejadian

(Kleinbaum, 1996)
Penggunaan Analisis Survival (Analisis Ketahanan)

Multidisiplin Ilmu : Memprediksi Ketahanan dari Kelangsungan Hidup, Pemakaian alat,

Efektifitas program, dll.

Menghitung Efektifitas pengobatan atau memperkirakan lama hidup

Kesehatan
seorang pasien ketika diagnosa ditegakkan

Mengukur kemungkinan seseorang dengan penyakit jantung

mengalami serangan jantung sejak pertama kali diberikan terapi

mengukur lamanya waktu yang dibutuhkan untuk perawatan luka dalam

kondisi tertentu hingga sembuh

Mengukur kemungkinan seseorang beresiko terkena penyakit Paru

sejak seseorang mulai merokok

Mengukur kemungkinan balita gizi buruk (Malnutrisi) mengalami

perbaikan gizi (gizi baik) sejak dilakukan terapi dan penambahan
asupan makanan
Kegunaan Analisis Survaival (Ketahanan)

01 02
Untuk memperkirakan
Untuk menyimpulkan
probabilitas ketahanan
status Kesehatan penduduk
suatu kejadian menurut
waktu

03 04

Membandingkan ketahanan Mengidentifikasi lanjut

suatu kejadian antar suatu kejadian yang dialami
kelompok penduduk dalam periode
waktu tertentu
 Variabel Pengamatan
01 02
Waktu Kejadian (event)
Waktu individu untuk bertahan Variabel yang menjadi focus
selama periode pengamatan dalam penelitian
Kematian, Insiden penyakit,
Kekambuhan, Penyembuhan,
Kerusakan, Komplikasi, dll
03
Sensor (cencored)
Apabila pada waktu pengamatan
pasien tersebut tidk mengalami
hal-hal yang kita prediksi/ tidak
menyelesaikan waktu penelitian
Sensor
Penyensoran terjadi ketika kita memiliki sejumlah
informasi tentang waktu kelangsungan hidup,
namun kita tidak tahu persis waktu
bertahan hidup.

Penyebab Sensor
- Hingga pengamatan berakhir belum muncul
kejadian yang diinginkan
- Hilang dari Pengamatan
- Menarik diri dari pengamatan/ Mengalami
kejadian yang tidak berhubungan dengan
substansi yang diteliti
 Berikut contoh penjelasan mengenai
pengertian ‘kejadian’, ‘sensor’ dan waktu
ketahanan (survival time)
- Individu A, ia diobservasi mulai dari awal studi sampai
mengalami kejadian (event) pada bulan keenam dan ia tidak
tersensor. Waktu ketahanan individu A adalah enam bulan.
- Individu B, ia diobservasi dari awal sampai akhir studi ,yaitu 12
bulan, ia tidak mengalami kejadian dan ia tersensor. Waktu
ketahanannya pal- ing tidak 12 bulan.
- Individu C, ia diobservasi dari bulan ke dua studi dan pada
bulan ke enam ia mengundurkan diri tanpa mengalami
kejadian. Individu C tersensor.
- Individu D, ia diobservasi mulai bulan ke dua sampai akhir studi
dan ia tidak mengalami kejadian. Individu D juga tersensor.
- Individu E, ia diobservasi mulai bulan ke empat dan pada bulan
ke sepuluh ia pergi tanpa pesan. Individu E tersensor.
- Individu F, ia diobservasi mulai bulan ke 6 dan mengalami
kejadian pada bulan ke 10 dan ia tidak tersensor. Waktu
ketahanannya adalah 4 bulan.
X = Event occurs

Dengan demikian disimpulkan bahwa individu A dan F mengalami kejadian atau waktu ketahanannya diketahui dengan
pasti, sedangkan individu B, C, D, dan E tersensor atau waktu ketahanannya tidak diketahui dengan pasti
 Contoh 2
Perbandingan kejadian kematian pada obat A dan obat B. Tanda menunjukkan bahwa pasien meninggal

Obat A Obat B

Pada kelompok A terdapat 4 pasien yang meninggal. Pada kelompok B juga terdapat 4 pasien yang meninggal. Jika dilihat dari Insiden kematian baik A
maupun B memiliki insiden yang sama yaitu 80%. Namun jika kita melihat kembali ke 2 gambar diatas terdapat perbedaan yaitu pada kecepatan
kematian. Orang yang menggunakan obat B terpantau lebih cepat mengalami kematian dibandingkan obat A. Dalam hal ini kita tidak ingin melihat
insiden kematiannya namun ingin melihat kecepatan (insidence Rate nya)
 Pasien Status Person Time Insidens Total Person Insiden Rate
(Tahun) Time
Obat A 1 Meninggal 5 4/5 = 80 % 5+5+5+5+10 4/30 = 0.13
= 30
2 Meninggal 5
3 Meninggal 5
4 Meninggal 5
5 Hidup 10
Obat B 1 Meninggal 2 4/5 = 80 % 2+2+2+4+10 4/20 = 0.20
= 20
2 Meninggal 2
3 Meninggal 2
4 Meninggal 4
5 Hidup 10

Insidens = Jlh meninggal/jlh pasien

Person Time = Julh waktu pengamatan utk tiap pasien

Insidens Rate = Jlh meninggal/ total person time

 FUNGSI SURVIVAL
Fungsi Ketahanan (Survival Function) Fungsi Kegagalan (Hazard Function)

● Diberi symbol dengan S(t) ● Diberi simbol H(t)

● Menjelaskan probabilitas seseorang untuk survive ● Menunjukkan probabilitas gagal pada interval waktu t
lebih lama dari waktu spesifik t
● Contoh :
Pada penelitian hubungan stadium klinik dengan
ketahanan hidup 5 tahun pasien kanker serviks,
mendapatkan hasil bahwa pada pasien stadium I
kanker serviks probabilitas untuk tetap hidup tahun
pertama sekitar 76.5 %
untuk menghitung besarnya resiko seseorang untuk
mengalami kejadian, umumnya variabel penelitian
dijadikan variabel kategorik terlebih dahulu serta salah
satu dari kategori dijadikan pembanding.
● Contoh :
Pada penelitian hubungan stadium dengan peluang
ketahanan hidup pasien kanker serviks adalah dibanding
dengan stadium I, maka resiko meninggal pada stadium II
2 kali lebih besar, stadium III 6,3 kali dan stadium IV
hampir 13 kali.
Kurva Kaplan Meier dan Terminologi (Istilah) dalam Analisis Survival

1. Sumbu y, sumbu x, dan garis survival

Sumbu Y pada kurva survival menunjukkan

persentase survival, yaitu persentase subyek yang
masih bertahan/bebas dari kejadian yang sedang
diamati. Sumbu x pada kurva survival menunjukkan
waktu. Garis yang menyerupai tangga adalah garis
survival
Terminologi (Istilah)
2. Survival Rate untuk waktu tertentu

• Survival rate untuk waktu tertentu bisa diketahui

dengan menarik garis vertical dari waktu tertentu
pada sumbu x sampai memotong garis survival.
• Pada kelompok obat standar, survival rate pada
tahun ke 5 adalah 87 % sementara pada
kelompok yang sama, kita bisa mengetahui
survival rate pada tahun 1 sampai dengan tahun
12
Terminologi (Istilah)

3. Median Survival

• Merupakan waktu dimana 50% subyek

mengalami event. Median survival bisa diketahui
dengan menarik garis horizontal dari sumbu Y
pada titik 50% sampai memotong garis survival.
• Pada obat standar, median survival adalah 9
tahun artinya sebanyak 50% pasien sudah
meninggal pada tahun ke 9.
• Median survival pada kelompok obat baru
adalah 11 tahun artinya sebanyak 50% pasien
sudah meninggal ppada tahun ke 11.
4. Asumsi Proposal Hazard

• Proporsional Hazard (PH) artinya perbandingan

kecepatan terjadinya suatu kejadian antar
kelompok setiap saat adalah sama. Ciri dari
suatu kurva survival yang memenuhi asumsi PH
adalah garis survival antar kelompok tidak saling
berpotongan.
• Asumsi PH sangat penting dalam analisis
survival analog dengan asumsi normalitas pada
data analisis parametrik.
• Survival yang memenuhi asumsi PH akan
dianalisis dengan time independent analysis
sementara yang tidak memenuhi asumsi PH
akan dianalisis dengan model interaksi dan
analisis model stratifikasi
 Terminologi (Istilah)
5. Hazard Rasio (HR)

• Hazard rasio sangat berhubungan dengan Insiden dan Insidens rate. Insidens rate merupakan
kecepatan terjadinya suatu peristiwa yang secara matematis merupakan perbandingan antara
insiden dengan waktu (person time). Nama lain dari insidens rate adalah hazard.
• Apabila kita membandingkan 2 hazard maka kita akan memperoleh hazard ratio
• Bila kita membandingkan 2 insiden maka kita akan memperoleh resiko relative (RR)
 Hazard Ratio
Insidens Perbandingan Insidens rate Perbandingan
Insiden (Resiko (Hazard) insidens rate
Relatif) (hazard ratio)
Obat A 0.8 4/30 = 0.13 (B bandingkan A)
0.2/0.13 = 1.54
0.8/0.8 = 1
Obat B 0.8 4/20 = 0.2 (A bandingkan B)
0.13/0.2 = 0.65

Pada table diatas dapat diketahui bahwa nilai HR bila membandingkan B dengan A adalah 1.54.
Nilai HR ini bisa diterima apabila asumsi PH terpenuhi. HR sebesar 1.54 diartikan “ setiap saat,
kelompok B lebih cepat 1.54 kali untuk terjadi kematian dibandingkan kelompok A.” kata setiap saat
menunjukkan perbandingan kecepatan antar kedua kelompok A dan B adalah konstan.
HR pada kurva disamping adalah 2.63
(IK 2.12-3.27). Karena garis survival
tidak berpotongan maka asumsi PH
terpenuhi. Dengan demikian, dapat
diartikan bahwa “ setiap saat kelompok
standar 2.63 kali kemungkinannya untuk
meninggal dibandingkan kelompok obat
baru.”
Metode Analisis

• Metode Tabel Kehidupan (Life Tabel)/

Acturial (Cutler-Ederer)
Untuk menentukan survival rate
• Metode Product Limit (Kapplan Meier)
Untuk membandingkan survival rate dua kelompok
atau lebih
• Regresi Cox
Untuk mempelajari faktor-faktor yang
mempengaruhi survival rate
 Metode Life Table
• Merupakan tabel aktuarial yang dipakai menghitung harapan hidup (survival expectation)
• Dalam penelitian epidemiologi dipakai untuk menghitung proporsi survival kumulatif atau
proporsi kelangsungan hidup
• Data dikelompokkan kedalam Interval
 Contoh Life Tabel
Life Table

Std. Error of
Cumulative Cumulative
Number Number Number Number of Proportion Proportion Std. Error of
Entering Withdrawing Exposed Terminal Proportion Proportion Surviving at Surviving at Probability Probability Std. Error of
First-order Controls Interval Start Time Interval during Interval to Risk Events Terminating Surviving End of Interval End of Interval Density Density Hazard Rate Hazard Rate
ln_yesno 0 0 692 74 655,000 2 ,00 1,00 1,00 ,00 ,000 ,000 ,00 ,00
12 616 99 566,500 7 ,01 ,99 ,98 ,01 ,001 ,000 ,00 ,00
24 510 77 471,500 4 ,01 ,99 ,98 ,01 ,001 ,000 ,00 ,00
36 429 114 372,000 9 ,02 ,98 ,95 ,01 ,002 ,001 ,00 ,00
48 306 100 256,000 3 ,01 ,99 ,94 ,01 ,001 ,001 ,00 ,00
60 203 74 166,000 3 ,02 ,98 ,92 ,02 ,001 ,001 ,00 ,00
72 126 49 101,500 4 ,04 ,96 ,89 ,02 ,003 ,001 ,00 ,00
84 73 34 56,000 0 ,00 1,00 ,89 ,02 ,000 ,000 ,00 ,00
96 39 19 29,500 1 ,03 ,97 ,86 ,04 ,003 ,002 ,00 ,00
108 19 12 13,000 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
120 7 6 4,000 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
132 1 1 ,500 0 ,00 1,00 ,86 ,04 ,000 ,000 ,00 ,00
1 0 228 24 216,000 2 ,01 ,99 ,99 ,01 ,001 ,001 ,00 ,00
12 202 43 180,500 6 ,03 ,97 ,96 ,01 ,003 ,001 ,00 ,00
24 153 21 142,500 6 ,04 ,96 ,92 ,02 ,003 ,001 ,00 ,00
36 126 22 115,000 8 ,07 ,93 ,85 ,03 ,005 ,002 ,01 ,00
48 96 27 82,500 0 ,00 1,00 ,85 ,03 ,000 ,000 ,00 ,00
60 69 23 57,500 1 ,02 ,98 ,84 ,03 ,001 ,001 ,00 ,00
72 45 17 36,500 2 ,05 ,95 ,79 ,04 ,004 ,003 ,00 ,00
84 26 8 22,000 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
96 18 8 14,000 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
108 10 5 7,500 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
120 5 5 2,500 0 ,00 1,00 ,79 ,04 ,000 ,000 ,00 ,00
 Metode Kaplan Meier
• Metode ini tidak dikelompokkan dalam interval tertentu sehingga dapat
digunakan pada analisis ketahanan dengan jumlah subjek yang sedikit dan
efek yang dihitung tepat pada saat ia terjadi.
• Lama pengamatan disusun dari tang terpendek hingga yabg terpanjang dengan
catatan subjek yang tersensor diikutsertakan.
• Kelebihannya : dapat memeberikan proporsi ketahanan hidup yang pasti
karena menggunakan waktu ketahanan hidup secara tepat bukan berdasarkan
kelas interval
Metode Regresi Cox
• Analisis ketahanan pada masa kini lebih banyak difokuskan
pada fungsi hazard (menghitung peluang kejadian) dengan
metode yang paling terkenal adalah Proportional Hazard
Model yang dikenalkan oleh Cox sebagai regresi sehingga
model ini untuk selanjutnya dikenal dengan nama regresi
Cox. Metode Regresi Cox lebih terkenal dengan metode
Kaplan Meier dan Life Table karena (Kleinbaum, 1996),
• dapat mengestimasi hazard ratio tanpa perlu diketahui
ho(t), dapat mengestimasi ho(t), h(t,X), dan fungsi
survivor meskipun ho(t) tidak spesifik.
• Penaksiran fungsi hazard dapat dipakai untuk menghitung
risiko relatif terjadinya kejadian.
RR = exp (bI)
 Artikel 1
Penelitian Oleh Siti Aminah, dkk tahun 2021
Judul : Analisis Survival Waktu Sembuh Pasien COVID-19 di Rumah Sakit Pertamina Bintang Amin Bandar Lampung
Artikel 1
 Artikel 2
Penelitian Oleh Nurhalina sari, dkk tahun 2020
Judul : Analisis Survival Pasien Hemodialisis dengan Hipertensi di Lampung Tahun 2016-2018
 Artikel 3
Penelitian Oleh Sulantari dan Wigid, 2020
Judul : Analisis Survival Model Regresi Cox Pada Lama Waktu Sembuh Pasien Gejala Sedang Covid-19
Artikel 3
02
SPSS
Membuat Kurva Kapplan Meier Secara Keseluruhan
• Buka file survival
• Klik Analyze
• Klik Survival Analysis dan pilih Kapplan Meier
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Pilih survival tables dan mean survival pada
statistic
• Pilih survival pada plot
• Klik continue lalu ok.
Membuat Kurva Kapplan Meier bBerdasarkan Variabel Tertentu
• Buka file survival
• Klik Analyze
• Klik Survival Analysis dan pilih Kapplan Meier
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Pilih survival tables dan mean survival pada
statistic
• Pilih survival pada plot
• Klik continue
• Masukkan variable tipe ke factor
• Klik ok
Memperoleh Hazard Ratio
• Buka file survival
• Klik Analyze
• ival Analysis dan pilih Cox regretion
• Masukkan variable waktu ke dalam kotak time
• Masukkan variable status ke dalam kotak status
• Klik Define Event
• Masukkan angka 1 bila terjadi event pada
pengamatan
• Klik continue
• Masukkan Tipe Lk kedalam kotak Covariate
• Pilih Categorical
• Pindahkan variabrl tipe Lk ke dalam
Categorical covariates
• Klik continue
• Pilih kotak options. Pilih CI for exp B
• Klik continue
• Klik ok
 Sumber Referensi

Aminah, S, dkk. 2021. Analisis Survival Waktu Sembuh Pasien Covid-19 di Rumah Sakit Pertamina
Bintang Amin Lampung. Journal of Medical Surgical Concerns. Vol.1 No.2 (2021). Hal 76.
Dahlan, S. (2012). Analisis Survival : Dasar –Dasar Teori dan Aplikasi Dengan Program SPSS. CV
Sagung Seto. Jakarta.
Kleinbaum DG, 1996. Survival Analysis : a self learning text. Springer-Verlag. New York.
Sari, N, dkk. 2020. Analisis Survival Pasien Hemodialisis dengan Hipertensi di Lampung Tahun 2016-
2018. Media Penelitian dan Pengembangan Kesehatan. Vol 30 No. 2: 89-96. Hal 93.
Sulantari dan Wigid. 2020. Analisis Survival Model Regresi Cox Pada Lama Waktu Sembuh Pasien Gejala
Sedang Covid-19. Jurnal UJMC. Vol 8 No.1. Hal 47-49.
discussion