ANALISIS SURVIVAL PADA PASIEN DIABETES

MELLITUS MENGGUNAKAN DISTRIBUSI

WEIBULL

Sherly Winda Sari1, Nur Rezky Safitriani2, Lia Armida3

1
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Tadulako,
a)
e-mail: sherlywindasmada@gmail.com

ABSTRACT
Diabetes melitus (DM) merupakan gangguan metabolik menahun akibat pankreas tidak
meproduksi cukup insulin atau tubuh tidak dapat menggunakan insulin yang diproduksi secara efektif.
International Diabetes Federation (IDF) mengestimasi bahwa terdapat 382 juta orang yang hidup
dengan diabetes di dunia pada tahun 2013. Pada tahun 2035 jumlah tersebut diperkirakan akan
meningkat menjadi 592 juta orang. Di samping itu, 3,2 juta per tahun penduduk dunia meninggal
karena Diabetes Mellites. Untuk itu dilakukan penelitian pada faktor-faktor yang dianggap
berpengaruh terhadap ketahanan hidup pasien Diabetes Mellitus dengan menggunakan Analisis
Survival. Analisis survival adalah salah satu metode statistika yang bertujuan untuk mempelajari dan
memodelkan hubungan antara faktor risiko dan waktu terjadinya kematian seorang pasien. Data uji
hidup (survival data) menggambarkan data pengukuran waktu dari suatu kejadian ke kejadian yang
lain. Karakteristik dari data ini adalah adanya data sensor. Model uji hidup yang bersesuaian dengan
penelitian ini adalah model proportional hazard dan untuk menaksir parameter-parameter dalam
model proportional hazard digunakan pendekatan Distribusi Weibull Tujuan penelitian ini adalah
untuk mengetahui model proportional hazard pada pasien Diabetes Mellitus di RSUD RAA
Soewondo Pati, Penelitian ini dilakukan dengan menggunakan 65 sampel pasien. Hasil dari penelitian
ini menunjukkan bahwa dari 5 variabel yaitu genetik, usia, pola diet, olahraga, dan berat badan
terdapat 3 (dua) variabel yang berpengaruh secara signifikan terhadap ketahanan hidup pasien adalah
genetik, usia, dan pola diet pasien Diabetes Mellitus.
Kata Kunci: Diabetes Mellitus, Insulin, Proportional hazard, Weibull.

PENDAHULUAN
Diabetes melitus merupakan salah satu
penyakit yang mematikan di dunia. Jumlah
penderita diabetes mellitus dari tahun ke tahun
terus meningkat. World Health Organization
(WHO) memprediksi kenaikan diabetes di
Indonesia dari dari tahun 2000 sebesar 8,4 juta
akan meningkat menjadi 21,3 juta pada tahun
2030. Tahun 2018, Indonesia disebut
sebagai negara peringkat keenam di dunia
setelah Tiongkok, India, Amerika Serikat, Brasil
dan Meksiko dengan jumlah penyandang
Diabetes usia 20-79 tahun sekitar 10,3 juta orang.
Di tahun 2013, angka prevalensi diabetes pada
orang dewasa mencapai 6,9 persen, dan di tahun
2018 angka terus melonjak menjadi 8,5 persen.
Diabetes Melittus adalah suatu penyakit
menahun yang ditandai oleh kadar glukosa darah
yang melebihi normal (hiperglikemia) dan
gangguan metabolisme karbohidrat, lemak, dan
protein yang disebabkan oleh kekurangan
hormon insulin secara relatif maupun absolut
(Hasdianah, 2012).
Penelitian tentang sintasan hidup pasien
diabetes mellitus telah dilakukan sebelumnya
oleh Rahayu, et al. (2012). Penelitian tersebut
menyimpulkan bahwa faktor-faktor yang paling
berpengaruh pada sintasan hidup pasien diabetes
melitus adalah faktor usia, genetik, dan diet.
Terkait erat dengan memahami faktor-faktor
yang mempengaruhi diabetes melitus. Faktor
resiko Diabetes mellitus bisa berasal dari
individu atau dari luar. Faktor dari dalam adalah
keturunan atau genetika. Sedangkan faktor resiko
dari luar diantaranya terlalu banyak
mengkonsumsi gula, pola makan tidak baik
sehingga mengakibatkan obesitas, dan jarang
berolahraga. Dengan adanya faktor-faktor resiko
tersebut dicurigai ada pengaruh terhadap
ketahanan hidup pasien diabetes mellitus. Oleh
karena itu, dengan dilakukan analisis pada data
sekunder pasien diabetes mellitus, akan diektahui
faktor-faktor resiko apa saja yang cenderung
sangat mempengaruhi ketahanan hidup pasien
maka digunakan analisis survival.
Analisis Survival merupakan salah satu
metode statistika yang digunakan untuk
menganalisis data, di mana variabel yang
diperhatikan adalah waktu sampai dengan
terjadinya suatu peristiwa tertentu (Kleinbaum &
Klein, 2005).
Pada tugas ini, data yang digunakan
berupa data tak tersensor dan data tersensor.
Data tak tersensor adalah adalah data yang
didapat dari setiap individu dalam sampel dan
setiap perkembangan individu dari awal
penelitian sampai individu tersebut meninggal
dunia tercatat dengan jelas. Pada kenyataannya
data dari setiap perkembangan individu dari awal
hingga . individu tersebut meninggal dunia
jarang ditemukan. Banyak faktor yang
menyebabkan data tersebut tidak bisa diperoleh.
Faktor-faktor tersebut antara lain individu yang
dinyatakan sembuh sebelum penelitian berakhir,
individu yang tidak lagi bersedia mengikuti
penelitian, individu berhenti diberikan perlakuan
karena suatu alasan, dan individu meninggal
dunia bukan karena diberi perlakuan
sebagaimana yang dimaksud dalam penelitian.
Data yang dihasilkan oleh berbagai faktor
tersebut disebut data tersensor.
LANDASAN TEORI
Analisis Survival
Analisis ketahanan hidup (survival
analysis) adalah suatu metode untuk
menganalisis data yang berhubungan dengan
waktu, mulai dari waktu awal atau time origin
sampai dengan terjadinya suatu kejadian khusus
atau end point. Di dalam riset medis, waktu
awal sering digunakan sebagai awal perekrutan
individu dalam suatu studi percobaan, seperti
uji klinis untuk membandingkan dua atau lebih
perlakuan. Sedangkan, kejadian khusus
merupakan kematian suatu individu atau pasien,
sehingga data yang dihasilkan dinamakan
waktu hidup atau survival time (David Collett,
2003).
Fungsi Kepadatan Peluang
Fungsi kepadatan peluang adalah peluang
suatu individu mati atau gagal dalam interval
waktu t sampai 𝑡 + ∆𝑡 , dengan waktu T
merupakan variabel random. Fungsi kepadatan
peluang dinotasikan 𝑓(𝑡) dan dirumuskan
dengan
𝑃(𝑡≤𝑇<𝑡+∆𝑡))
𝑓(𝑡) = lim ∇𝑡
∆𝑡→0
Waktu hidup merupakan variabel random non
negatif, sehingga waktu hidup hanya diukur
untuk nilai t yang positif, maka diperoleh
∞
𝑓(𝑡) = 0 𝑢𝑛𝑡𝑢𝑘 𝑡 < 0 𝑑𝑎𝑛 ∫0 𝑓(𝑡)𝑑(𝑡) = 1
Fungsi Ketahanan Hidup
Fungsi ketahanan hidup adalah peluang
suatu individu yang masih dapat bertahan hidup
sampai dengan waktu 𝑡(𝑡 > 𝑡). Jika T
merupakan variabel random dari waktu hidup
suatu individu dalam interval [0, ∞), maka fungsi
distribusi kumulatif 𝐹(𝑡) untuk distribusi kontinu
dengan fungsi kepadatan peluang dinyatakan
sebagai berikut:
𝑡
𝐹(𝑡) = 𝑃(𝑇 ≥ 𝑡) = ∫0 𝑓(𝑥)𝑑(𝑥), 𝑢𝑛𝑡𝑢𝑘 𝑡 > 0
Oleh karena itu diperoleh fungsi ketahanan
hidup (survival) yang didefinisikan dengan
𝑆(𝑡) = 𝑃(𝑇 ≥ 𝑡) = 1 − 𝑃(𝑇 ≤ 𝑡) = 1 − 𝐹(𝑡)
Menurut Miller, 1998, fungsi tahan hidup
S(t) adalah fungsi yang tidak naik atau monoton
turun dengan sifat:
1. S(t) = 1 untuk t = 0, artinya peluang
individu untuk hidup pada saat t = 0
adalah 1
2. S(t) =0 untuk t = 0 , artinya peluang
individu untuk hidup pada saat t = 0
adalah 0
Fungsi Hazard
Fungsi hazard adalah peluang suatu individu
mati dalam interval waktu dari t sampai t+△ 𝑡,
jika diketahui individu tersebut masih dapat
berketahanan hidup sampai dengan waktu t.
fungsi hazard secara matematika dinyatakan
sebagai :
ℎ(𝑡) = lim
𝑃(𝑡≤𝑇<𝑡+∆𝑡|𝑇≥𝑡)
∆𝑡→0 ∆𝑡
Penyensoran
Data tersensor adalah data yang diperoleh
sebelum hasil yang diinginkan dari pengamatan
terjadi, sedangkan waktu pengamatan telah
berakhir atau oleh sebab lain. Data yang
mengalami penyensoran hanya memuat sebagian
informasi mengenai variabel acak yang
diperhatikan, namun berpengaruh terhadap
pengertian-pengertian dan perhitungan statistik.
Terdapat beberapa jenis sensor misalkan
T1,T2,…, Tn masing-masing saling bebas dan
berdistribusi sama dengan fungsi distribusi F(t).
Jenis-jenis sensor akan dijelaskan sebagai berikut
: bersama-sama, sehingga waktu disensor juga
1. Sensor Interval
Terjadi jika kejadian yang menjadi perhatian
diketahui telah terjadi antara waktu a dan b.
Contoh, jika medical records mengedintifikasi
berumur 45 tahun, pasien tersebut tidak memiliki
tanda pengenal, umurnya pada diagnosis adalah
antara 45 dan 50 tahun (Lee and Wang, 2003).
2. Sensor kanan
Jika data yang diamati Ti adalah data
sesudah waktu sensor. Ti berada pada interval
[𝐶𝑖 ,∞).
3. Sensor kiri
Jika data yang diamati Ti adalah data
sebelum waktu sensor. Ti berada pada interval
(−∞,𝐶𝑖 ] (Lawless, 2003).
Sensor tipe I dan tipe II disebut juga sensor
data tunggal, dan tipe III sensor data progresif.
Nama umum yang digunakan untuk sensor tipe
III adalah sensor acak. Semua tipe sensor ini
merupakan sensor kanan atau menyensor ke
kanan (Lee and Wang, 2003).
4. Sensor tipe I (Sensor waktu)
Bila uji dihentikan pada waktu tertentu,
maka disebut sensor tipe I. Misalkan 𝐶𝑖 waktu
yang ditentukan untuk menghentikan uji dari
sampel acak T1, T2,…, Tn. Hanya akan diamati
Y1, Y2,…, Yn, dimana :
1, 𝑗𝑖𝑘𝑎 𝑇𝑖 ≤ 𝐶𝑖
𝑌𝑖 = { i=1,2,...,n
0, 𝑗𝑖𝑘𝑎 𝑇𝑖 > 𝐶𝑖
5. Sensor tipe II (Sensor kegagalan)
Bila uji dihentikan setelah diperoleh
sejumlah kegagalan tertentu, maka disebut sensor
tipe II. Misalkan ditetapkan kegagalan ke-g, g <
n dan T(1) < T(2) <…< T(n) adalah urutan statistik
dari sampel acak T1, T2,…, Tn. Pengamatan
berhenti setelah kegagalan ke-g, sehingga yang
akan diamati T(1), T(2),...,T(g) . Urutan
sampelnya adalah :
Y1 = T(1), Y2 = T(2),...,Yg = T(g)Y(g+1) = T(g+1)
Y(g+2) = T(g+2),...,Yn = T(n).
6. Sensor tipe III (Sensor acak)
Dalam kebanyakan studi klinis dan
epidemiologi, masa studi adalah tetap dan pasien
memasuki studi pada waktu yang berbeda selama
periode itu. Karena masuk yang tidak secara
berbeda. Ini merupakan tipe sensor III (Lee and
Wang, 2003).
Misalkan C1,C2,...,Cn masing-masing
berdistribusi independen dan identik dengan
fungsi distribusi H(c) hanya akan di amati
(𝑌1 , 𝛿1 ), (𝑌2 , 𝛿2 ), … , (𝑌𝑛 , 𝛿𝑛 ) dimana :
𝑌𝑖 = mint (𝑇𝑖 , 𝐶𝑖 ) = 𝑇𝑖 berpasangan dengan𝐶𝑖
𝛿𝑖 = 𝐼(𝑇𝑖 ≤ 𝐶𝑖 =
1, 𝑗𝑖𝑘𝑎 𝑇𝑖 ≤ 𝐶𝑖 , maka 𝑇𝑖 non sensor
{
0, 𝑗𝑖𝑘𝑎 𝑇𝑖 > 𝐶𝑖 , maka 𝑇𝑖 sensor
Dimana:
𝑇𝑖 = waktu ketahanan hidup yang terdapat di
dalam data
𝐶𝑖 = waktu sensor yang ditentukan, berhubungan
dengan 𝑇𝑖
Mengingat bahwa Y1,Y2,...,Yn berdistribusi
independen dan identik dengan beberapa fungsi
H(y) serta 𝛿1 , 𝛿2 , … , 𝛿𝑛 memuat keterangan
mengenai sensor (Lawless, 2003).
Distribusi Weibull
Distribusi Weibull, dikenalkan oleh
Wallodi Weilbull (1939) adalah satu distribusi
yang terbaik dan memiliki bermacam-macam
aplikasi dalam berbagai cabang ilmu (Mahmoud
and Mondouh, 2012). Model distribusi weibull
adalah model analisis survival yang paling
banyal digunakan. Bentuk umum fungsi hazard
dari distribusi weibull diberikan sebagai berikut 0, individu yang tersensor
Dengan 𝛿𝑖 = {
(Kleinbaum & Klein,2005) 1, individu tidak tersensor
Fungsi densitas peluang distribusi yaitu: Terdapat dua cara untuk menguji signifikansi
𝑓(𝑡) = 𝜆𝑝𝑡 𝑝−1 𝑒𝑥𝑝(𝜆𝑡 𝑝 ), 𝑡 > 0, 𝜆 > 0, 𝑝 > 0 parameter yaitu dengan uji partial likelihood
Fungsi ketahanan hidup distribusi weibull yaitu: ratio, uji Wald. Pengujian signifikasi parameter
𝑆(𝑡) = 𝑒𝑥𝑝(−𝜆𝑡 𝑝 ), 𝑡 > 0, 𝜆 > 0, 𝑝 > 0 bertujuan untuk memeriksa apakah variabel
Fungsi hazard dari distribusi Weibull yaitu : bebas memiliki pengaruh nyata dalam model [9].
𝑓(𝑡) a. Uji partial likelihood rasio
ℎ(𝑡) = 𝑆(𝑡) = 𝜆𝑝𝑡 𝑝−1
Untuk menguji hipotesis bahwa satu atau
dimana 𝑡 > 0, 𝜆 > 0, 𝑝 > 0, sedangkan fungsi
beberapa parameter regresi 𝛽𝑗 adalah nol dapat
distribusi dari distribusi Weibull adalah
menggunakan uji partial likelihood rasio
𝐹(𝑡) = 1 − 𝑒𝑥𝑝[−(𝜆𝑡)𝑝 ]
dinotasikan dengan G. Statistik uji ini mengikuti
dimana 𝛼 > 0, t > 0 dengan 𝑝 = parameter bentuk
distribusi chi-square dengan derajat bebas p .
dan 𝜆 = parameter skala. Untuk distribusi
Berikut langkah-langkah uji partial likelihood
Weibull dengan tiga parameter, variabel (t)
rasio:
dikurangi dengan parameter lokasi (γ) (Lawless,
1. Hipotesis
2003).
𝐻0 : 𝛽𝑗 = 0
Pendugaan Distribusi 𝐻1 : 𝛽𝑗 ≠ 0
Pendugaan distribusi dilakukan dengan 2. Daerah penolakan:
2
statistik uji Anderson-Darling untuk mengetahui 𝐻0 ditolak jika 𝐺 ≥ 𝜒𝛼:𝑑𝑏=𝑝−1
distribusi data uji hidup yang paling sesuai. atau p-value ≤ 𝛼 ,
Persamaan statistik uji Anderson-Darling adalah dimana 𝐺 = −2[ln𝐿(0) − ln𝐿(𝛽̂𝑗 )]
sebagai berikut: p : banyaknya variabel bebas
1
𝐴2 = −𝑛 − ∑𝑛𝑖−1(2𝑖 − 1)[𝑙𝑛𝐹(𝑋𝑖 ) + 3. Kesimpulan:
𝑛
𝑙𝑛(1 − 𝐹(𝑋𝑛+1−𝑖 ))] Jika 𝐻0 ditolak maka 𝛽𝑖 ≠ 0, mengindikasikan
dimana bahwa variabel bebas berpengaruh terhadap
𝐹 = fungsi distribusi kumulatif dari distribusi waktu survival (variabel dependen).
tertentu b. Uji Wald
𝑋𝑖 = data waktu uji hidup Uji Wald digunakan untuk menguji pengaruh
Dalam hal ini pendugaan distribusi yang parameter secara terpisah, dinotasikan dengan W.
sesuai dipilih berdasarkan nilai Anderson- Statistik uji ini mengikuti distribusi chi-square
Darling terkecil (Nisa dan Budiantra, 2012). dengan derajat bebas p . Berikut langkah-langkah
uji Wald:
Estimasi Parameter
1. Hipotesis:
Parameter 𝛽𝑖 pada model Cox proporsional 𝐻0 : 𝛽𝑗 = 0
hazard dapat diestimasi dengan menggunakan 𝐻1 : 𝛽𝑗 ≠ 0
metode Maximum Partial Likelihood Estimation 2. Daerah penolakan:
(MPLE). Pendugaan 𝛽𝑖 dengan metode MPLE 2
𝐻0 ditolak jika 𝑊 > 𝜒(0,05;1)
adalah nilai ketika fungsi partial likelihood-nya
atau p-value < 𝛼 = 0,05, dimana
maksimum. Jika terdapat n waktu survival yang 2
diobservasi, dinotasikan oleh 𝑡1 , 𝑡2 , … , 𝑡𝑛 dan 𝛿𝑖 𝛽𝑗
𝑊=( )
adalah value indicator maka fungsi likelihoodnya 𝑆𝐸𝛽𝑗
dinyatakan dalam fungsi parsial likelihood pada p : banyaknya variabel bebas
persamaan sebagai berikut [8]. 3. Kesimpulan: Jika 𝐻0 ditolak maka 𝛽𝑗 ≠ 0,
𝛿𝑖 mengindikasikan bahwa variabel bebas
exp(𝛽𝑋(𝑖) )
𝐿(𝛽) = ∏𝑟𝑖=1 [ ] berpengaruh terhadap waktu survival
∑𝑖𝜖𝑅(𝑡𝑖 ) exp(𝛽𝑋(𝑖) )
(variabel dependen).
Model Proporsional Hazard
Menurut Nisa dan Budiantara (2012)
pemodelan data uji hidup dengan menggunakan
model proportional hazard Cox merupakan
pemodelan dengan metode parametrik yang
digunakan untuk mengestimasi efek kovariat
pada data uji hidup. Pemodelan regresi untuk
mengetahui faktor-faktor yang mempengaruhi
data uji hidup untuk data tidak tersensor yang
disebut dengan regresi Cox. Model proportional
hazard Cox biasanya ditulis dalam rumus model
hazard sebagai berikut.
𝑝
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(∑𝑖=1 𝛽𝑖 𝑋𝑖 )
Menurut Collet (1994) model proportional
hazard distribusi weibull dapat dinyatakan
sebagai berikut:
ℎ𝑖 (𝑡) = exp(𝛽 ′ 𝑥)ℎ0 (𝑡)
Dengan ℎ0 (𝑡) = 𝜆𝑝𝑡 𝑝−1 adalah baseline hazard
yang dispesifikasikan pada parameternya dalam
hal ini adalah distribusi weibull.
Hazards Ratio
Odds Ratio (Hazard Ratio) merupakan suatu
ukuran yang digunakan untuk mengetahui tingkat
risiko(kecenderungan) yaitu perbandingan fungsi
hazard antar dua kategori, yaitu kategori sukses
dengan kategori gagal pada satu peubah bebas X.
Odds ratio dapat didefinisikan sebagai berikut
ℎ (𝑡 |𝑥 = 1) ℎ (𝑡)𝑒 𝛽
HR= ℎ0 𝑡 𝑥 = 0 = 0ℎ (𝑡) = 𝑒 𝛽
0( | ) 0
Diabetes Mellitus
Diabetes mellitus (DM) merupakan suatu
penyakit kronis yang ditandai ketidakmampuan
tubuh untuk melakukan metabolisme karbohidrat,
lemak, dan protein sehingga menyebabkan
hiperglikemia (Sulistria,2013).
(Ulya, 2012) Ada 2 jenis tipe penyakit diabetes
yaitu:
a. Penyakit diabetes Tipe I, yaitu: suatu keadaan
dimana tubuh sama sekali tidak dapat
memproduksi hormon insulin. Penderita
penyakit diabetes harus menggunakan
suntikan insulin dalam mengatur gula
darahnya. Sebagian besar penderita penyakit
diabetes ini adalah anak-anak dan remaja.
b. Penyakit Diabetes tipe 2
Penyakit diaebetes ini terjadi karena penderita
tidak kekurangan insulin akan tetapi, insulin
tidak dapat digunakan dengan baik (resistensi
insulin). Tipe penyakit diabetes ini merupakan
yang terbanyak diderita sat ini (90% lebih),
dan sering terjadi pada mereka yang berusia
lebih dari 40 tahun, gemuk dan mempunyai
riwayat penyakit diabetes dalam keluarga.
METODOLOGI PENELTIAN
Penelitian ini menggunakan data sekunder
yaitu data rekam medis mengenai waktu
ketahanan hidup yang diperoleh dari data rekam
medik rumah sakit yaitu data 65 pasien penyakit
diabetes melitus di RSUD RAA Soewondo Pati
tahun 2011-Agustus 2012. Data terdiri dari satu
variabel dependen yaitu waktu ketahanan hidup
(Y) pasien diabetes, sejak awal masuk rumah
sakit atau awal pengamatan sampai akhir
pengamatan pada. Adapun variabel independen
yang menjadi faktor-faktor dari ketahanan hidup
pasien diabetes melitus adalah gen (X1), usia
(X2), diet (X3), olahraga (X4), dan berat badat
(X5)
Langkah-langkah yang dilakukan pada
penelitian ini sebagai berikut:
1. Melakukan pengujian distribusi weibull pada
variabel respons menggunakan uji
kolmogorov smirnov.
2. Menyusun model proportional hazard
weibull.
3. Melakukan seleksi pemilihan model terbaik
yang dihasilkan dari pendekatan distribusi
weibull.
4. Melakukan pengujian secara parsial melalu
pendekatan distribusi weibull untuk
mengetahui peranan masing-masing variabel
prediktor terhadap variabel respons.
5. Mendapat proportional hazard weibull.
6. Interpretasi model proportional hazard
weibull.
HASIL DAN PEMBAHASAN Berdasarkan Tabel 4.3, dengan menganggap
Distribusi Weibull semua variabel berpengaruh maka model
proportional hazard weibull pada pasien diabetes
Distribusi weibull dari hasil pengujian mellitus adalah sebagai berikut:
Kolmogorov smirnov diperoleh sebagai berikut: ℎ𝑖 (0) = 𝑒𝑥𝑝(𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 +
Tabel 4.1 Hasil Uji Distribusi Weibull 𝛽5 𝑋5 ) ℎ0 (𝑡)
= exp(−0.6521𝑋1 + 0.8381𝑋2 −
p-value 0.3957𝑋3 + 0.1055𝑋4 + 0.0115𝑋5 ) ×
Weibull 0.3447 𝜆𝑝𝑡 𝑝−1
Pendekatan yang akan digunakan dalam estimasi Langkah selanjutnya adalah menentukan model
ini Distribusi Weibull dalam pemodelan dengan terbaik dengan menggunakan metode backward
regresi Cox. elimination.
Pengecekan Uji Asumsi Proportional Hazard Pemilihan Model Terbaik
Asumsi terpenting yang harus dipenuhi Pemilihan model terbaik dengan metode
yaitu asumsi PH, penelitian ini menggunakan uji seleksi backward, dimulai dengan mengeluarkan
global test atau Goodness Of Fit (GOF). Dari atau menghapus satu persatu peubah menurut
hasil output, didapatkan hasil sebagai berikut: kriteria signifikansi. untuk memilih model
Tabel 4.2 Nilai p-value Global Test terbaik, akan dilihat nilai AIC terkecil dari
Peubah p-value model-model yang terbentuk. Dari hasil output
Gen (X1) 0.564
software R didapatlah hasil sebagai berikut:
Usia (X2) 0.557
Tabel 4.4 Hasil Backward Elimination
Diet (X3) 0.912 Variabel Koefisien Std. Z p
Olahraga (X4) 0.455 Error
Berat Badan (X5) 0.629 X1 -0.641 0.257 -2.50 0.0124
Global 0.831 X2 0.950 0.204 4.66 3.2e-06
Berdasarkan tabel 4.2 , menunjukkan bahwa hasil X3 -0.397 0.122 -3.25 0.0011
konstan 2.519 0.327 -5.29 1.4e-14
global test untuk setiap peubah, masing-masing ta
peubah memiliki nilai p-value > 0.05, maka
dapat disimpulkan asumsi PH terpenuhi untuk Berdasarkan tabel 4.4 ,diperoleh model terbaik
semua peubah-peubah bebas. proportional hazard Weibull yaitu model yang
Model Proporsional Hazard Weibull terdiri dari variabel prediktor X1, X2, X3. Sehingga
Analisis survival parametrik memiliki baseline dapat ditentukan baseline hazard Weibull adalah
hazard yang harus ditentukan. Baseline hazard sebagai berikut:
atau h0(t) merupakan fungsi hazard untuk Dengan demikian model terbaik proportional
individu dengan nilai kovariatnya adalah nol. hazard Weibull pasien diabetets mellitus adalah
Tabel 1 dapat diperoleh baseline hazard dalam sebagai berikut:
model proportional hazard weibull pada pasien ℎ𝑖 (0) = 𝑒𝑥𝑝(𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 ) ℎ0 (𝑡)
diabetes mellitus sebagai berikut: = exp(−0.641𝑋1 + 0.950𝑋2 − 0.397𝑋3 ) × 𝜆𝑝𝑡 𝑝−1
Tabel 4.3 Model Proporsional Hazard
Dengan demikian 𝑔𝑒𝑛(𝑋1 ), 𝑢𝑠𝑖𝑎(𝑋2 ), 𝑑𝑎𝑛 𝑑𝑖𝑒𝑡(𝑋3 )
Variab Koefisien Std. Error Z p
el variabel prediktor yang mempengaruhi diabetes
X1 -0.6521 1.1416 -2.36 0.01817 melitus. Langkah terakhir adalah menentukan
X2 0.8381 0.2761 3.71 0.00021 hazard ratio Model proportional hazard weibull.
X3 -0.3957 0.2259 -3.07 0.00217
X4 0.1055 0.1290 0.81 0.41887
Hazard Ratio Model Proportional Hazard
X5 0.0115 0.0190 0.61 0.54390
1.7127 1.1416 0.13353 Weibull
konst 1.50
anta Hazard ratio dapat digunakan untuk
menginterpretasikan koefisien dari variabel
prediktor pada model proportional hazard
Weibull. Faktor-faktor yang memengaruhi
kesembuhan pasien stroke dapat dilihat dari nilai
hazard ratio variabel yang berpengaruh secara
signifikan.
Tabel 5 Hasil Analisis Hazard Ratio
Variabel 𝛽̂
𝑗 hazard ratio
X1 0.5265104 1.693014
X2 2.5868409 13.28773
X3 0.6720794 3.834959
Berdasarkan tabel 5 diketahui bahwa nilai hazard
ratio untuk variabel 𝑋1 sebesar 0.5265104, hal ini
berarti bahwa pasien diabetes melitus yang
mempunyai gen lebih tinggi akan memiliki
peluang gagal bertahan hidup sebesar
1.693014 kali lebih besar dibanding pasien
diabetes melitus yang gennya lebih kecil.
Nilai hazard ratio untuk variabel 𝑋2 sebesar
2.5868409, hal ini berarti bahwa pasien diabetes
melitus yang mempunyai usia lebih tua akan
memiliki peluang gagal bertahan hidup
sebesar 13.28773 kali lebih besar dibanding
pasien diabetes melitus yang usianya lebih
muda. Sedangkan nilai hazard ratio untuk
variabel 𝑋3 sebesar 0.6720794, hal ini berarti
DAFTAR PUSTAKA
1. Afifah, A. N., Purnami, S.W, Uji
Proportional Hazard pada Data
Penderita Kanker Serviks di RSUD dr.
Soetomo Surabaya Institut Teknologi
Sepuluh Nopember (ITS). Jurnal Sains
dan Seni ITS Vo. 5, No.1. 2016
2. Collett, D. 1994. Modelling Survival.
London: Chapman and Hall.
3. Hasdianah. 2012. Mengenal Diabetes
Melitus. In: Yogyakarta: Nuha Medika.
4. Hosmer, David W. & Stanley Lemeshow.
(2000). Applied Logistic Regression. 2nd
Edition. New York: John Wiley & Sons.
5. Klein, John P. & Melvin L. Moeschberger.
(2003). Survival
6. Kleinbaum, David G. & Mitchel Klein.
(2005). Survival Analysis: A Self Learning
Text. 2nd Edition. New York: Springer.
bahwa pasien diabetes melitus yang lebih sering
diet akan memiliki peluang gagal bertahan
hidup sebesar 3.834959 kali lebih besar
dibanding pasien diabetes melitus yang
jarang diet.
KESIMPULAN
Berdasarkan hasil dan pembahasan
sebelumnya diketahui dari kelima variabel
prediktor yang digunakan untuk memodelkan
faktor yang mempengaruhi ketahanan hidup
pasien diabetes mellitus, terdapat tiga variabel
predictor yang berpengaruh nyata terhadap
ketahanan hidup pasien yaitu gen, usia, dan
diet.
SARAN
Adapun saran yang bias diberikan untuk
penelitian selanjutnya adalah menambahkan
variabel predictor lainnya yang mempengaruhi
ketahanan hidup pasien dan kelengkapan
informasi pada data yang diperoleh lebih
diperhatikan.
7. Lee, Elisa T. & John Wenyu Wang. (2003).
Statistical Methods for Survival Data
Analysis. 3rd Edition. Hoboken: John Wiley &
Sons.
8. Lawless, Jerald F. 2003. Statistical Models
and Methods for Lifetime Data Second
Edition. Canada: Wiley.
9. Mahmoud, M.R., and Mandouh, R.M. 2012.
Maximun Likelihood Estimation of Two
Unknown Parameter of Beta-Weibull
Distribution under Type II Cencored Samples.
Applied Mathematical Sciences, Vol. 6,
48:2369-2384.
10. Nisa, Shofa F. dan Budiantara, I Nyoman.
2012. Analisis Survival dengan Pendekatan
Multivariate Adaptive Regression Splines
pada Kasus Demam Berdarah Dengue
(DBD). Jurnal Sains dan Seni ITS, Volume 1,
Nomor 1, D:318-323.
11. Rahayu, N, Setiawan, A. & Mahatma,
T. 2012. Analisis Regresi Cox
Proportional Hazard Pada Ketahanan
Hidup Pasien Diabetes Melitus.
Journal. Salatiga: Universitas Kristen
Satya Wacana.
12. Sulistria,S., Waspadji, S., Soegondo, S.,
Soewono, P., Subekti, I., 2007. Tingkat
Self Care pada Pasien rawat inap jalan
Diabetes Melitus di puskesmas Kalirungut
Surbaya. Jurnal Ilmiah Mahasiswa
Universitas Surabaya Vol.2 No.2.
 LAMPIRAN

No Waktu Status Gen Usia Diet Olahraga Berat Badan

1 2.7 0 0 0 0 2 56
2 4.3 0 1 1 2 2 67
3 19.7 0 1 1 0 2 64
4 11.7 0 1 1 0 0 70
5 11.7 0 1 1 0 2 68
6 11.7 1 1 1 0 2 68
7 10.7 0 1 1 1 2 75
8 10.7 0 1 1 0 2 70
9 2.2 1 1 0 1 2 60
10 5.7 0 1 1 2 2 74
11 3.7 1 1 0 2 0 70
12 4.7 0 1 0 0 2 58
13 3.7 0 1 1 0 0 65
14 14.7 0 0 1 0 2 60
15 11.7 0 1 1 0 2 70
16 5.7 0 0 1 0 1 55
17 3.7 0 0 1 2 2 72
18 3.7 0 0 1 0 2 65
19 7.7 0 0 1 2 2 64
20 1.7 0 1 1 0 1 63
21 1.7 0 1 1 1 2 57
22 4.7 0 0 1 0 2 57
23 4.7 0 1 1 0 2 70
24 3.7 0 1 1 2 2 56
25 6.7 0 1 1 0 2 65
26 3.7 0 0 1 2 1 50
27 8.7 0 0 1 2 1 69
28 8.7 0 0 1 0 0 50
29 5.7 0 0 1 0 2 62
30 7.7 0 0 1 2 2 69
31 15.7 0 0 1 0 1 63
32 6.7 0 0 1 0 2 56
33 4.7 0 0 1 2 2 57
34 4 0 0 1 1 2 56
35 2.7 0 1 1 2 2 63
36 1.9 0 1 1 2 2 59
37 6 1 0 1 2 2 73
38 9 1 1 1 0 2 68
39 7 1 1 1 1 1 65
40 5.7 1 0 1 1 1 65
41 2 1 1 0 0 1 48
42 6 1 1 1 0 0 65
 43 5 1 1 0 0 1 68
44 4 1 1 0 0 2 60
45 3 1 0 0 2 2 63
46 5 1 1 1 1 1 66
47 5 0 1 0 1 1 58
48 7 0 1 1 0 2 64
49 3 0 1 0 0 1 55
50 10 0 0 1 1 2 60
51 5 0 1 1 0 0 61
52 20 0 0 1 1 2 58
53 5 0 1 0 0 0 63
54 4 0 0 0 1 1 62
55 3.7 0 1 1 2 2 60
56 5.7 0 0 0 1 2 59
57 4.7 1 1 1 2 1 62
58 7.7 0 0 1 0 0 65
59 8 1 1 1 1 0 60
60 9.7 0 0 1 1 1 57
61 2.7 0 1 0 0 1 58
62 6.5 0 0 1 0 1 60
63 11 0 0 1 0 2 63
64 3 0 1 1 0 1 58
65 5 0 0 1 0 1 66

Keterangan
Y : Waktu bertahan hidup
Status :
0 = tersensor (hidup),
1 = tidak tersensor (meninggal).
X1 = Gen
X2 = Usia
X3 = Diet
X4 = Olahraga
X5 = Berat badan
 Sintaks Pemanggilan Data dan Analisis Survival

 Sintaks Distribusi Weibull dan Output

 Model Awal Proporsioal Hazard Weibull

 Sintaks Asumsi Proportional Hazard (PH) dan Output

 Sintaks Pemilihan Model Terbaik (Backward)

 Sintaks Model Terakhir (Setelah dilakukan Pemilhan Model Terbaik) dan Output

 Sintaks Hazard Ratio dan output