perbandingan penaksir kaplan – meier dan berliner
TRANSCRIPT
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
i
PERBANDINGAN PENAKSIR KAPLAN – MEIER
DAN BERLINER – HILL PADA ANALISIS TAHAN
HIDUP PENDERITA KANKER PAYUDARA
oleh
USWATUN KHAYANATUN
M 0106019
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET SURAKARTA
2011
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ii
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
iii
ABSTRAK
Uswatun Khayanatun, 2011. PERBANDINGAN PENAKSIR KAPLAN – MEIER DAN BERLINER – HILL PADA ANALISIS TAHAN HIDUP PENDERITA KANKER PAYUDARA. Fakultas Matematika dan Ilmu Pengetahuan Alam, UNS.
Analisis tahan hidup merupakan prosedur statistik yang digunakan untuk menggambarkan analisis data yang berhubungan dengan waktu tahan hidup yaitu dari waktu awal yang sudah ditentukan sampai waktu adanya suatu kejadian. Salah satu metode yang digunakan dalam analisis tahan hidup adalah metode nonparametrik. Dua teori yang berdasarkan pada penaksir nonparametrik untuk data tak lengkap (tersensor dan tidak tersensor) adalah penaksir Kaplan – Meier dan penaksir Berliner – Hill. Penaksir Kaplan – Meier dibandingkan dengan distribusi prediktif Berliner – Hill untuk waktu tahan hidup dari pasien baru yang diberi perlakuan pengobatan, keduanya bertujuan untuk memprediksi fungsi tahan hidup yang tepat.
Pada kasus penderita kanker payudara di mana lebih banyak pasien dengan waktu hidup tersensor daripada pasien yang meninggal menunjukkan bahwa nilai estimasi menggunakan penaksir Berliner - Hill lebih besar dibandingkan menggunakan penaksir Kaplan – Meier. Selain itu berdasarkan nilai estimasi kesalahan baku, diketahui bahwa estimasi fungsi tahan hidup menggunakan penaksir Berliner - Hill lebih baik dibanding menggunakan penaksir Kaplan - Meier karena memberikan nilai kesalahan baku yang lebih kecil. Hasil analisis tahan hidup penderita kanker payudara menggunakan penaksir Berliner - Hill menunjukkan bahwa secara keseluruhan, probabilitas penderita kanker payudara mampu bertahan hidup selama 48 bulan adalah sebesar 33,635%. Sedangkan probabilitas penderita kanker payudara stadium II mampu bertahan hidup selama 48 bulan adalah sebesar 42,15%, stadium III sebesar 25,627%, dan stadium IV sebesar 16,818%. Dalam kedokteran dapat dikatakan bahwa stadium IV merupakan klasifikasi kanker payudara yang serius dan menunjukkan prognosis (perkiraan keadaan akhir) paling jelek dari klasifikasi kanker payudara yang lain. Kata Kunci : Kanker Payudara, fungsi tahan hidup, penaksir Kaplan-Meier, penaksir Berliner – Hill, kesalahan baku
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
iv
ABSTRACT Uswatun Khayanatun, 2011. COMPARISON OF THE KAPLAN – MEIER AND BERLINER – HILL ESTIMATORS FOR SURVIVAL ANALYSIS OF BREAST CANCER PATIENTS. Mathematics and Science Faculty, UNS.
Survival analysis is the statistic procedures used to describe the analysis of data that correspond to the survival time from a well-define time origin until the occurrence of some particular event. One of the method that has been used in survival analysis is nonparametric method. Two theory that based on nonparametric estimator for incomplete data (censored and uncensored) are Kaplan – Meier and Berliner – Hill estimators. The Kaplan – Meier estimator is compared with Berliner – Hill predictive distribution for the survival time of a new patient give a treatment, both for prediction the true survival function.
In the case of survival breast cancer patients where there are more patients with censored life time than patients who died shows that estimation value using Berliner – Hill estimator higher than using Kaplan – Meier estimator. In addition, based on the value of standard error estimation is known that survival function estimation using Berliner – Hill better than using Kaplan – Meier estimator cause give smaller the value of standard error estimation. Result of survival analysis of breast cancer patients using Berliner – Hill estimator shows that overall data, probability of breast cancer patients stage II survive for 48 months is 33,635%. Where as probability of breast cancer patients survive for 48 months is 42,15%, stage III is 25,627%, and stage IV is 16,818%. In medicine can be said that stage IV is classification of breast cancer seriously and indicate prognosis (approximate final state) the worst of breast cancer other classification. Key words : Breast Cancer, survival function, Kaplan-Meier estimator, Berliner – Hill estimator, standard error
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
v
MOTO
Sesungguhnya bersama kesulitan ada kemudahan
(Q.S. Alam Nasyrah : 6)
Maka nikmat Tuhan yang manakah yang akan kamu dustakan?
(Q.S. Ar-Rahman : 13)
Manusia diciptakan bersifat suka mengeluh, apabila dia ditimpa kesusuahan dia
berkeluh kesah
(Q.S. Al-Ma’arij : 19-20)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vi
PERSEMBAHAN
Alhamdulillahirobbil ‘aalamiin...
Karya ini kupersembahkan untuk
Ibu dan Bapak...
yang selalu membekali doa di manapun mereka berada
Mas Imam dan Mbak Wanti...
yang selalu menasehatiku dengan petuah – petuahnya
Sahabat-sahabatku...
yang tak henti-hentinya memberikan motivasi dan inspirasi
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
vii
KATA PENGANTAR
Puji syukur Alhamdulillah penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan
skripsi ini dengan baik.
Skripsi ini dapat diselesaikan dengan baik karena adanya bantuan dan dukungan
dari berbagai pihak, baik secara langsung maupun tidak langsung. Pada
kesempatan ini penulis ingin menyampaikan ucapan terima kasih kepada :
1. Bapak Drs. Sugiyanto, M.Si dan Drs. Sutrima, M.Si selaku Dosen
Pembimbing I dan Dosen Pembimbing II dalam penulisan skripsi ini.
2. Bapak dan Ibu dosen yang tergabung dalam Tim Penguji.
3. Ibu, Bapak, dan keluarga tercinta yang tidak henti-hentinya memberi doa dan
dukungan sampai selesainya skripsi ini.
4. Pihak RSUP Dr. Soeradji Tirtonegoro.
5. Sahabat – sahabat terbaik Brilianita, Ummi, Siti, Damar, Dhesi, Nurul yang
selalu memberikan bantuan dan semangat di saat – saat terpenting penulis.
6. Rekan-rekan Matematika angkatan 2006.
7. Semua pihak yang telah membantu dalam penyelesaian skripsi ini.
Semoga Allah SWT selalu melimpahkan rahmat-Nya kepada kita semua. Akhir
kata penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak.
Surakarta, Maret 2011
Penulis
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
viii
DAFTAR ISI
JUDUL ………………………………………………………….............................................. i
HALAMAN PENGESAHAN ………………………………………………………............. ii
ABSTRAK ………………………………………………………............................................ iii
ABSTRACT …………………………………………………………...................................... iv
MOTO …………………………………………………………............................................... v
PERSEMBAHAN ………………………………………………………….......................... vi
KATA PENGANTAR ………………………………………………………......................... vii
DAFTAR ISI ………………………………………………………........................................ viii
DAFTAR GAMBAR …………………………………………………………....................... x
DAFTAR TABEL …………………………………………………………............................ xi
DAFTAR NOTASI DAN SIMBOL ………………………………………………………….. xii
BAB I PENDAHULUAN …………………………………............................................. 1
1.1 Latar Belakang Masalah ………………………………….......................... 1
1.2 Perumusan Masalah …………………………………................................. 4
1.3 Batasan Masalah …………………………………...................................... 4
1.4 Tujuan Penelitian ……………………………….......................................... 4
1.5 Manfaat penulisan …………………………………................................... 4
BAB II LANDASAN TEORI ………………………………….......................................... 6
2.1 Tinjauan Pustaka …………………………………...................................... 6
2.1.1 Kanker Payudara …………………………………......................... 6
2.1.2 Konsep Dasar Statistika …………………………………................ 7
2.1.3 Konsep Dasar Distribusi Waktu Hidup ……………………............ 9
2.1.3.1 Model Kontinu …………………………………………….. 9
2.1.3.2 Model Diskrit …………………………………………........ 10
2.1.4 Kategori Penyensoran …………………………………................... 11
2.1.5 Metode Maksimum likelihood ………………………………......... 12
2.1.6 Estimasi Kaplan – Meier ………………………………….............. 13
2.1.7 An …………………………………………………………………... 13
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
ix
2.1.8 Estimasi Berliner – Hill …………………………………................ 14
2.1.9 Uji Mantel - Haenszel …………………………………................... 14
2.2 Kerangka Pemikiran ………………………………….................................. 15
BAB III METODE PENELITIAN ………………………………….................................... 17
BAB IV PEMBAHASAN ………………………………….................................................. 19
4.1 Deskripsi data …………………………………............................................. 19
4.2 Estimasi Kaplan – Meier ………………………………............................... 19
4.2.1 Estimasi Fungsi tahan Hidup untuk Keseluruhan Data ................... 20
4.2.2 Estimasi Fungsi tahan Hidup Berdasarkan Klasifikasi Stadium …. 22
4.2.3 Plot Estimasi Fungsi tahan Hidup ………………………………… 24
4.2.4 Estimasi Variansi Kaplan - Meier ………………………………… 26
4.3 Estimasi Berliner – Hill …………………………………............................. 27
4.3.1 Estimasi Fungsi tahan Hidup untuk Keseluruhan Data …………... 27
4.3.2 Estimasi Fungsi tahan Hidup Berdasarkan Klasifikasi Stadum …... 29
4.3.3 Plot Estimasi Fungsi tahan Hidup ………………………………….. 30
4.3.4 Estimasi Variansi Berliner – Hill ………………………………….. 32
4.4 Perbandingan Penaksir Kaplan – Meier dan Berliner – Hill ……………….. 33
4.5 Uji Mantel – Haenszel ………………………………………………........... 35
4.5.1 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium II dan III ………………………..…………………
35
4.5.2 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium II dan IV ……………………………......................
36
4.5.3 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium III dan IV …………………………………………
37
BAB V PENUTUP ………………………………………………………………………… 39
5.1 Kesimpulan ……………………………………………………………........ 39
5.2 Saran ………………………………………………………………………. 40
DAFTAR PUSTAKA
LAMPIRAN
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
x
DAFTAR GAMBAR
Gambar 4.1 Plot Estimasi Fungsi Tahan Hidup Keseluruhan Data ……....... 24
Gambar 4.2 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 24
Stadium II ……………………………………………...................
Gambar 4.3 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 25
Payudara Stadium III ……………………………………………..
Gambar 4.4 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 25
Payudara Stadium IV …………………………………………….
Gambar 4.5 Plot Estimasi Fungsi Tahan Hidup Keseluruhan Data ……… 30
Gambar 4.6 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 31
Payudara Stadium II ……………………………………………...
Gambar 4.7 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 31
Payudara Stadium III ……………………………………………..
Gambar 4.8 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara 31
Payudara Stadium IV …………………………………………….
Gambar 4.9 Plot Perbandingan Penaksir Kaplan – Meier dan Berliner – Hill ... 33
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
xi
DAFTAR TABEL
Tabel 4.1 Ringkasan Data Penderita Kanker Payudara ……...................... 19
Tabel 4.2 Nilai Estimasi Kesalahan Baku Penaksir Kaplan – Meier dan
Berliner – Hill …………………………………………………….
34
Tabel 4.3 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium II dan III …………………..
35
Tabel 4.4 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium II dan III …………………..
36
Tabel 4.5 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium II dan III …………………..
37
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
xii
DAFTAR NOTASI DAN SIMBOL
S : ruang sampel
T : variable random
f(.) : fungsi densitas probabilitas
S(.) : fungsi tahan hidup
λ(.) : fungsi hazard
tj : waktu kematian ke – j
nj : banyak individu yang beresiko pada waktu tj
dj : banyak individu yang meninggal pada waktu tj
An : spesifikasi langsung
I(.) : interval [tj, tj+1)
m(.) : banyak observasi tersensor tiap interval I(.)
L(.) : fungsi likelihood
P(.) : probabilitas
: statistik uji Mantel – Haenszel
var(.) : variansi
kb(.) : kesalahan baku
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
1
BAB I
PENDAHULUAN
Bab ini meliputi latar belakang masalah, perumusan masalah, batasan
masalah, tujuan penulisan, dan manfaat penulisan.
1.1 Latar Belakang Masalah
Analisis tahan hidup adalah prosedur statistik yang digunakan untuk
menggambarkan analisis data yang berhubungan dengan waktu tahan hidup yaitu
dari waktu awal yang sudah ditentukan sampai waktu adanya suatu kejadian.
Waktu tahan hidup didefinisikan sebagai variabel random nonnegatif, sehingga
analisis tahan hidup dapat didefinisikan sebagai prosedur statistik pada variabel
random nonnegatif yang berfungsi untuk mengetahui ketahanan hidup objek yang
diteliti. Distribusi dari waktu tahan hidup dapat dideskripsikan dengan fungsi
tahan hidup. Fungsi tahan hidup (survival function) didefinisikan sebagai
probabilitas tahan hidup sampai waktu tertentu. Fungsi ini dapat diestimasi
melalui dua metode, yaitu metode parametrik dan metode nonparametrik. Metode
parametrik digunakan jika terlebih dahulu diasumsikan distribusi populasinya,
sedangkan metode nonparametrik adalah metode yang tidak bergantung pada
asumsi distribusi populasinya. Metode ini sering disebut dengan metode bebas
distribusi (distribution-free method). Metode nonparametrik untuk mengestimasi
fungsi tahan hidup pada data tak lengkap (tersensor dan tidak tersensor) adalah
penaksir Kaplan – Meier dan penaksir Berliner – Hill.
Penaksir Kaplan – Meier atau sering disebut sebagai product-limit
diperkenalkan pertama kali oleh Kaplan dan Meier (1958). Menurut Lawless
(1982), penaksir Kaplan – Meier merupakan modifikasi dari fungsi tahan hidup
empiris untuk menangani masalah data tak lengkap. Menurut Yan (2002),
penaksir Kaplan – Meier memberikan estimasi probabilitas tahan hidup yang
sangat bermanfaat dan memberikan representasi grafis tentang distribusi dari
waktu tahan hidup. Alasan praktis di mana penaksir Kaplan – Meier dapat
dikembangkan yaitu nilai estimasi menggunakan penaksir Kaplan – Meier
menunjukkan kecenderungan di bawah estimasi pada ekor atas distribusi waktu
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
2
tahan hidup (Hill, 1992). Hal itu ditunjukkan dengan hasil estimasi menggunakan
penaksir Kaplan – Meier memberikan probabilitas tahan hidup nol ketika pasien
baru akan dinyatakan meninggal sebelum seluruh pasien yang diobservasi tersebut
meninggal dalam sampel. Selain itu jika tidak terdapat observasi tersensor setelah
sampel terakhir meninggal, maka penaksir Kaplan – Meier memberikan nilai nol
pada interval terakhir meninggal sampai tidak terbatas. Hal ini tidak layak apabila
terdapat observasi tersensor yang besar. Penaksir Kaplan – Meier mengabaikan
hal tersebut dan memberikan nilai nol pada interval berdasarkan pada sampel
terakhir meninggal (Hill, 1992). Untuk mengatasi permasalahan ini, maka
dilakukan pengembangan terhadap penaksir ini. Berliner dan Hill (1988)
memperkenalkan penaksir Berliner – Hill yang merupakan distribusi prediktif
nonparametrik untuk waktu tahan hidup pasien baru yang memberikan nilai
estimasi yang lebih layak dibanding penaksir Kaplan – Meier pada estimasi ekor
atas distribusi waktu tahan hidup (Hill, 1992).
Di negara maju, kanker payudara merupakan karsinoma yang terbanyak
dan sekaligus penyebab kematian terutama pada wanita (Dalimartha, 2004).
Meski demikian pria pun memiliki kemungkinan menderita penyakit ini.
Kemungkinan kanker payudara pada pria hanya 1 persen terhadap wanita.
Artinya, diantara 100 wanita hanya 1 pria saja yang memiliki kemungkinan
menderita kanker payudara (Isna, 2009). Sedangkan di Indonesia, kanker
payudara merupakan kanker terbanyak kedua pada wanita sesudah kanker leher
rahim.
Menurut Sutjipto (2006), kanker payudara (Breast Cancer atau Carsinoma
mammae) terjadi karena adanya pertumbuhan abnormal sel payudara. Organ –
organ dan kelenjar dalam tubuh (termasuk payudara) terdiri dari jaringan yang
berisi sel – sel. Umumnya pertumbuhan sel normal mengalami pemisahan dan
mati ketika sel menua sehingga dapat digantikan sel – sel baru. Tetapi ketika sel –
sel lama tidak mati dan sel – sel baru terus tumbuh, jumlah sel – sel yang
berlebihan bisa berkembang tidak terkendali sehingga membentuk tumor. Tumor
ganas tersebut dapat tumbuh di dalam jaringan payudara seperti kelenjar susu,
saluran susu, jaringan lemak, maupun jaringan ikat pada payudara.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
3
Seperti kanker pada umumnya hingga saat ini penyebab yang pasti dari
kanker payudara masih belum diketahui, namun ada beberapa faktor yang
dicurigai sebagai faktor resiko yang memicu seseorang dapat menderita kanker
payudara. Faktor tersebut adalah usia, faktor genetik, riwayat keluarga, faktor
hormonal, dan pernah memiliki riwayat menderita penyakit payudara non-kanker
(Mardiana, 2004).
Menurut Wahyuni (2006), di Indonesia kanker payudara menduduki
peringkat kedua setelah kanker leher rahim di antara kanker yang menyerang
wanita. Menurut data WHO tahun 2005, kanker merupakan penyebab kematian
kelima di Indonesia. Dari seluruh dunia kanker payudara (Breast Cancer atau
Carcinoma mammae) merupakan salah satu penyakit kanker yang menyebabkan
kematian nomor lima setelah kanker paru – paru, kanker rahim, kanker hati, dan
kanker usus.
Klasifikasi kanker payudara dibagi menjadi beberapa stadium yaitu
stadium I, stadium II, stadium III, dan stadium IV. Pengobatan biasanya dilakukan
setelah dilakukan penilaian secara menyeluruh terhadap kondisi penderita, yaitu
sekitar 1 minggu atau lebih setelah dilakukannya biopsi. Pengobatan untuk kanker
payudara dapat berupa terapi pembedahan, terapi penyinaran, kemoterapi, atau
terapi hormonal (Medicastore, 2002).
Insiden kanker di Indonesia masih belum diketahui secara pasti karena
belum ada registrasi kanker berbasis populasi yang dilaksanakan, tetapi IARC
(International Agency for Research on Cancer) memperkirakan insidens kanker
payudara di Indonesia pada tahun 2002 sebesar 26 per 100.000 perempuan
(Kusminarto, 2005).
Kasus ini perlu diwaspadai secara serius untuk dicari penanganannya.
Penanganan secara klinik dapat dilakukan melalui ketepatan pengobatan.
Ketepatan pengobatan secara statistika mempengaruhi waktu hidup dan tahan
hidup penderita kanker payudara. Besarnya probabilitas untuk bertahan hidup
dapat diukur dengan mengestimasi fungsi tahan hidup. Oleh karena itu, penulis
tertarik menggunakan penaksir Kaplan – Meier dan Berliner – Hill untuk
melakukan analisis tahan hidup dengan mengestimasi fungsi tahan hidup sehingga
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
4
diketahui probabilitas individu dapat bertahan hidup hingga sampai waktu
tertentu.
1.2 Perumusan Masalah
Berdasarkan latar belakang masalah, disusun perumusan masalah sebagai
berikut
1. bagaimana melakukan analisis tahan hidup penderita kanker payudara
menggunakan penaksir Kaplan – Meier dan penaksir Berliner – Hill untuk
keseluruhan data maupun berdasarkan klasifikasi stadium?
2. bagaimana hasil perbandingan penaksir Kaplan – Meier dan penaksir Berliner
– Hill dalam melakukan analisis tahan hidup penderita kanker payudara?
1.3 Batasan Masalah
Agar tidak memperluas pembahasan, penulisan skripsi ini dibatasi pada
hal berikut: data penelitian yang digunakan adalah data waktu tahan hidup
penderita kanker payudara dari tahun 2006 – 2009 yang diambil dari Rumah Sakit
Umum Provinsi (RSUP) Dr. Soeradji Tirtonegoro.
1.4 Tujuan Penulisan
Tujuan penulisan skripsi ini antara lain
1. dapat melakukan analisis tahan hidup penderita kanker payudara
menggunakan penaksir Kaplan – Meier dan penaksir Berliner – Hill untuk
keseluruhan data maupun berdasarkan klasifikasi stadium,
2. membandingkan hasil penaksir Kaplan – Meier dan penaksir Berliner – Hill
dalam melakukan analisis tahan hidup penderita kanker payudara.
1.5 Manfaat Penulisan
Manfaat penulisan skripsi ini adalah dapat mengembangkan ilmu
pengetahuan dalam bidang statistika dan kesehatan. Pada bidang statistika, dapat
mengaplikasikan penaksir Kaplan – Meier dan penaksir Berliner – Hill pada
analisis tahan hidup penderita kanker payudara, sedangkan pada bidang kesehatan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
5
dapat memberikan masukan kepada instansi terkait sebagai sarana untuk
meningkatkan kualitas pengobatan dan pelayanan medis khususnya terhadap
penderita kanker payudara.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
6
BAB II
LANDASAN TEORI
Bab ini dibagi menjadi dua bagian yaitu tinjauan pustaka dan kerangka
pemikiran.
2.1 Tinjauan Pustaka
Teori – teori yang relevan dengan pembahasan diperlukan untuk mencapai
tujuan penelitian. Teori – teori yang meliputi penyakit kanker payudara, konsep
dasar statistika, konsep dasar analisis tahan hidup, kategori penyensoran, estimasi
maksimum likelihood, estimasi Kaplan – Meier, estimasi Berliner – Hill, dan uji
mantel – Haenszel.
2.1.1 Kanker Payudara
Kanker payudara (Breast Cancer atau Carsinoma mammae) terjadi karena
adanya pertumbuhan abnormal sel payudara. Organ – organ dan kelenjar dalam
tubuh (termasuk payudara) terdiri dari jaringan yang berisi sel – sel. Umumnya
pertumbuhan sel normal mengalami pemisahan dan mati ketika sel menua
sehingga dapat digantikan sel – sel baru. Tetapi ketika sel – sel lama tidak mati
dan sel – sel baru terus tumbuh, jumlah sel – sel yang berlebihan bisa berkembang
tidak terkendali sehingga membentuk tumor. Tumor ganas tersebut dapat tumbuh
di dalam jaringan payudara seperti kelenjar susu, saluran susu, jaringan lemak,
maupun jaringan ikat pada payudara. Kanker payudara terbilang penyakit kanker
yang paling umum menyerang kaum wanita, meski demikian pria pun memiliki
kemungkinan mengalami penyakit ini meskipun dengan angka yang relatif kecil
yaitu hanya sekitar 1%. Kanker payudara pada pria harus diwaspadai sejak dini
karena bisa mengakibatkan kematian sebagaimana yang terjadi pada wanita
(Harningsih, 2007).
Diagnosa dari kanker payudara dibagi mejadi beberapa klasifikasi
stadium, dimulai dari stadium 0 yang merupakan kanker in situ di mana sel – sel
kanker masih berada pada tempatnya di dalam jaringan payudara yang normal.
Memasuki stadium I berupa tumor dengan garis tengah kurang dari 2 cm dan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
7
belum menyebar keluar payudara. Stadium IIa berupa tumor dengan garis tengah
2 – 5 cm dan belum menyebar ke kelenjar getah bening ketiak atau tumor dengan
garis tengah kurang dari 2 cm tetapi sudah menyebar ke kelenjar getah bening
ketiak. Stadium IIb berupa tumor dengan garis tengah lebih besar dari 5 cm dan
belum menyebar ke kelenjar getah bening ketiak atau tumor dengan garis tengah 2
– 5 cm tetapi sudah menyebar ke kelenjar getah bening ketiak. Stadium IIIa
merupakan tumor dengan garis tengah kurang dari 5 cm dan sudah menyebar ke
kelenjar getah bening ketiak disertai perlengketan satu sama lain (perlengketan ke
struktur lainnya) atau tumor dengan garis tengah lebih dari 5 cm dan sudah
menyebar ke kelenjar getah bening ketiak. Stadium IIIb berupa tumor yang telah
menyusup keluar payudara yaitu ke dalam kulit payudara atau ke dinding dada
(telah menyebar ke kelenjar getah bening di dalam dinding dada dan tulang dada).
Stadium IV berupa tumor yang telah menyebar keluar daerah payudara dan
dinding dada, misalnya ke hati, tulang, atau paru – paru (Medicastore, 2002).
Pengobatan biasanya dilakukan setelah dilakukan penilaian secara
menyeluruh terhadap kondisi penderita, yaitu sekitar 1 minggu atau lebih setelah
dilakukannya biopsi. Pengobatan untuk kanker payudara dapat berupa terapi
pembedahan, terapi penyinaran, kemoterapi, atau terapi hormonal. Pilihan
pengobatan yang paling baik untuk kanker payudara dipilih berdasarkan stadium
dari penyakit. Pada stadium I biasanya pengobatan yang dipilih berupa operasi
dan kemoterapi. Stadium II dilakukan operasi, dilanjutkan dengan kemoterapi
ditambah dengan terapi hormonal. Stadium III diobati dengan operasi, dilanjutkan
dengan kemoterapi ditambah terapi radiasi. Sedangkan stadium IV diobati dengan
kemoterapi yang dilanjutkan dengan terapi radiasi dan terapi hormonal. Untuk
kanker payudara pada stadium yang sudah lanjut, biasanya pengobatan yang
dilakukan hanya untuk meningkatkan kualitas hidup penderita (Medicastore,
2002).
2.1.2 Konsep Dasar Statistika
Definisi-definisi yang berhubungan dengan konsep dasar statistika berikut
ini dirujuk dari buku Bain dan Engelhardt (1992).
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
8
Definisi 2.1 Himpunan semua hasil (outcome) yang mungkin dari suatu
eksperimen disebut ruang sampel dan dinotasikan dengan S.
Tujuan pokok dari suatu eksperimen adalah membangun suatu model yang
dapat menggambarkan perilaku populasi, dalam statistik sering disebut fungsi
densitas probabilitas. Pembentukan fungsi densitas probabilitas diawali dengan
pendefinisian variabel random yang sesuai dengan tujuan eksperimen.
Definisi 2.2 Variabel random T adalah fungsi yang memetakan setiap hasil yang
mungkin pada ruang sampel S dengan suatu bilangan real t, sedemikian hingga
.
Dari definisi variabel random di atas dapat dihasilkan suatu model yang
disebut fungsi densitas probabilitas yang memenuhi ketentuan definisi sebagai
berikut.
Definisi 2.3 Jika himpunan seluruh nilai yang mungkin dari variabel random T
merupakan himpunan terhitung, atau maka T disebut
variabel random diskrit. Fungsi
menyatakan probabilitas untuk tiap-tiap nilai t yang mungkin, selanjutnya disebut
fungsi densitas probabilitas diskrit.
Definisi 2.4 Variabel random T disebut variabel random kontinu jika terdapat
fungsi yang merupakan fungsi densitas probabilitas dari T, sehingga fungsi
distribusi kumulatifnya dapat dinyatakan
.
Fungsi distribusi kumulatif mempunyai sifat :
1.
2. dan
3. untuk
Definisi 2.5 Fungsi merupakan fungsi densitas probabilitas dari variabel
random kontinu T jika dan hanya jika memenuhi sifat
1. , untuk semua t dan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
9
2.
Definisi 2.6 Fungsi distribusi kumulatif dari variabel random kontinu T
didefinisikan untuk sebarang bilangan real t dengan
.
Definisi 2.7 Probabilitas bersyarat dari kejadian A diberikan kejadian B
didefinisikan sebagai
.
Definisi 2.8 Statistik yang digunakan untuk mengestimasi
nilai disebut estimator dari dan nilai statistik,
disebut estimasi dari . Selanjutnya estimator T dinotasikan .
2.1.3 Konsep Dasar Distribusi Waktu Hidup
2.1.3.1 Model Kontinu
Misalkan T adalah variabel random kontinu nonnegatif yang menunjukkan
waktu hidup dari suatu individu (Lawless, 1982). Semua fungsi yang berkaitan
dengan T didefinisikan dalam interval [0,¥) karena T merupakan variabel random
nonnegatif. Menurut Cox dan Oakes (1984), secara matematika fungsi densitas
probabilitas ditulis
.
Menurut Lawless (1982), fungsi distribusi kumulatif ditulis
.
Masih menurut Lawless (1982), fungsi tahan hidup didefinisikan sebagai
probabilitas bertahan hidup sampai dengan waktu t, sebagai berikut
.
Fungsi tahan hidup adalah fungsi monoton turun dengan sifat
1. S(0) = 1,
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
10
2. S(t) = 0, untuk t → ¥.
Hubungan fungsi densitas probabilitas dan fungsi tahan hidup
(Elandt dan Johnson, 1980), dapat ditunjukkan dengan
. (2.1)
Fungsi hazard adalah laju kematian sesaat dari suatu individu dengan
syarat individu tersebut mampu bertahan hidup sampai waktu t yang
didefinisikan sebagai
. (2.2)
Berdasarkan dari persamaan (2.1) dan (2.2) hubungan antara fungsi hazard
dan fungsi tahan hidup adalah
.
2.1.3.2 Model Diskrit
Misal T adalah variabel random diskrit, dengan T mempunyai nilai t1, t2,
… dengan
Menurut Lawless (1982), secara matematika fungsi peluangnya dapat
ditulis
, j = 1, 2, ...
Masih menurut Lawless (1982), maka fungsi tahan hidup didefinisikan
sebagai
. (2.3)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
11
Seperti pada penjelasan model kontinu, adalah fungsi monoton turun
dengan dan . Fungsi hazard diskrit didefinisikan dengan
(2.4)
Berdasarkan dari persamaan (2.4), fungsi peluangnya dapat ditulis
(2.5)
Seperti dalam kasus kontinu, fungsi probabilitas, fungsi tahan hidup, dan
fungsi hazard memberikan spesifikasi yang sama terhadap distribusi T. Karena
diketahui, maka .
Kemudian fungsi tahan hidup yang berhubungan dengan fungsi hazard
dapat ditunjukkan dengan
(2.6)
2.1.4 Kategori Penyensoran
Data waktu hidup dikatakan tersensor bila terdapat individu yang
mempunyai nilai batas atas atau batas bawah pada waktu hidupnya (Lawless,
1982). Menurut Kleln dan Moeschberger (1997) dan Lawless (1982), beberapa
jenis penyensoran yang digunakan dalam penelitian tahan hidup yaitu tersensor
kanan, tersensor kiri, dan sensor umum.
1. Tersensor kanan
Diasumsikan terdapat waktu hidup T dan ditentukan waktu sensor di R,
waktu hidup T dari suatu individu diketahui jika dan hanya jika T ≤ R. Jika T
> R maka individu dikatakan bertahan hidup dengan waktu tersensor di R.
Data tersensor kanan dapat dinyatakan dalam pasangan variabel random
dengan t sama dengan T untuk waktu hidup yang diobservasi dan δ
menyatakan apakah waktu hidup T tak tersensor atau tersensor
sehingga diperoleh
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
12
2. Tersensor kiri
Diasumsikan terdapat waktu hidup T dan ditentukan waktu sensor di L,
waktu hidup T dari suatu individu diketahui jika dan hanya jika T ≥ L. Jika
T < L maka individu dikatakan bertahan hidup dengan waktu tersensor di L.
Data tersensor kiri dapat dinyatakan dalam pasangan variabel random
dengan t sama dengan T untuk waktu hidup yang diobservasi dan ε
menyatakan apakah waktu hidup T tak tersensor atau tersensor
sehingga diperoleh
3. Sensor Umum
Suatu sampel dikatakan tersensor secara umum jika terdapat data sejumlah
n objek yang diamati pada waktu 0 dan masing – masing objek diamati sampai
gagal (meninggal) atau tidak. Jika objek tersebut tidak gagal (tidak
meninggal), maka data tersebut merupakan data tersensor.
2.1.5 Metode Maksimum Likelihood
Berikut ini diberikan definisi yang berhubungan fungsi likelihood dan
estimasi maksimum likelihood menurut Bain dan Engelhardt (1992).
Definisi 2.9 Jika fungsi densitas probabilitas bersama dari n variabel random
yang diobservasi di dinotasikan
dengan , maka fungsi likelihood dari himpunan pengamatan
dinyatakan sebagai
,
dengan adalah parameter yang belum diketahui.
Definisi 2.10 Jika adalah fungsi likelihood suatu himpunan pengamatan
dengan parameter yang tidak diketahui, maka suatu harga
dalam ruang parameter yang memaksimumkan disebut sebagai
estimasi maksimum likelihood dari , dapat ditulis .
.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
13
Setiap yang memaksimumkan akan memaksimumkan log-likelihood
juga, sehingga alternatif bentuk persamaan likelihood maksimum yaitu
2.1.6 Estimasi Kaplan-Meier
Estimasi Kaplan-Meier disebut juga estimasi product limit. Kaplan dan
Meier adalah orang pertama yang membahas estimasi fungsi ini (Kaplan, 1958).
Misal T variabel random kontinu nonnegatif. Semua fungsi yang berkaitan dengan
T didefinisikan dalam interval [tj, tj+1). Estimasi Kaplan-Meier merupakan
modifikasi dari fungsi tahan hidup empiris. Fungsi tahan hidup empiris untuk
keseluruhan data didefinisikan sebagai :
.
(2.7)
Jika terdapat data tak lengkap, persamaan (2.7) diubah menjadi estimasi
product-limit atau disebut dengan estimasi Kaplan-Meier.
Misal t1 < t2 < … < tk menggambarkan observasi waktu kematian dalam
sampel berukuran n dari populasi homogen dengan fungsi tahan hidup S. Dengan
asumsi dj adalah jumlah kematian pada saat tj , mj adalah jumlah
tersensor dalam interval pada waktu untuk j = 0, 1, …, k
di mana dan , adalah jumlah
individu beresiko pada saat tj, estimasi Kaplan-Meier untuk fungsi tahan hidup
didefinisikan sebagai
. (2.8)
2.1.7 Penaksir Berliner – Hill
Berliner dan Hill (1988) memperkenalkan penaksir Berliner – Hill yang
merupakan distribusi prediktif nonparametrik untuk waktu tahan hidup pasien
baru yang diberikan perlakuan dengan tujuan estimasi fungsi tahan hidup
berdasarkan pada An.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
14
Konsep umum yang mendasari penggunaan An untuk analisis tahan hidup
yaitu setiap l pasien tersensor akan meninggal tepatnya pada salah satu k + 1
interval yang terbentuk berdasar pada k pasien yang mengalami kematian.
Anggap terdapat n observasi yang terdiri k observasi meninggal dan
komponen l observasi tersensor. Misalkan merupakan waktu
kematian dan merupakan waktu tersensor. Sehingga data terdiri
dari waktu kematian Tj = tj untuk j = 1, 2, …, k dan waktu sensor Tk+i > yi untuk i
= 1, 2, …, l. Data dari pasien tersensor dapat ditulis sebagai berikut
. Distribusi prediktif berhubungan hanya atas interval Ij di
mana pasien sensor akhirnya meninggal pada interval tersebut. Untuk setiap
observasi tersensor yi, i = 1, 2, …, didefinisikan ui adalah nilai tidak tersensor
terbesar (nilai t) sebelum yi , jika tidak ada maka ui = 0. Dengan kata lain, ui
adalah indeks dari interval di mana yi terjadi. Didefinisikan Informasi Sensor
Sebagian (Partial Censoring Information), disingkat menjadi PCI sebagai berikut
; i = 1, 2, ..., l
Fungsi hazard dari penaksir Berliner-Hill adalah
untuk j = 0,1, 2, …, k (2.9)
Berdasarkan PCI, f(0)=λ(0). Dengan menggunakan fungsi hazard
Berliner-Hill pada persamaan (2.9) dan fungsi tahan hidup model diskrit pada
persamaan (2.6) maka fungsi tahan hidup Berliner-Hill didefinisikan sebagai
berikut:
. (2.10)
2.1.8 Uji Mantel - Haenszel
Salah satu uji yang dapat digunakan untuk membandingkan ketahanan
hidup dari suatu unit populasi adalah uji Mantel – Haenszel. Menurut Mantel
(1963), apabila sampel diambil dari dua populasi yang berbeda maka kedua
sampel yang diambil akan mempunyai sifat yang berbeda pula (independen).
Kaitannya dengan analisis tahan hidup, Mantel – Haenszel menganjurkan uji
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
15
homogenitas untuk dua sampel yang independen dengan formula tabel 2 x 2.
Probabilitas kematian sampel 1 dan sampel 2 mendasari uji homogenitas dari dua
populasi tersebut. Apabila sampel 1 dan sampel 2 kecil, maka uji Mantel –
Haenszel dikatakan mendekati distribusi chi-kuadrat dengan derajat bebas 1.
Langkah-langkah dalam uji Mantel – Haenszel dijelaskan sebagai berikut.
1. Membuat tabel kontingensi 2 x 2 dari dua data yang berasal dari sampel yang
berbeda
level Faktor 1 Faktor 2 i Ai Bi Ci Di Jumlah 1 A1 B1 C1 D1 T1
2 A2 B2 C2 D2 T2
. . . . . .
. . . . . .
. . . . . . j Aj Bj Cj Dj Tj
2. Statistik uji Mantel – Haenszel sebagai berikut
(2.11)
(2.12)
(2.13)
2.2 Kerangka Pemikiran
Kanker payudara merupakan tumor ganas yang tumbuh di dalam jaringan
payudara. Kanker bisa tumbuh di dalam kelenjar susu, saluran susu, jaringan
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
16
lemak, maupun jaringan ikat pada payudara. Kanker payudara terbilang penyakit
kanker yang paling umum menyerang kaum wanita, meski demikian pria pun
memiliki kemungkinan mengalami penyakit ini meskipun dengan angka yang
relatif kecil yaitu hanya sekitar 1%. Kanker payudara pada pria harus diwaspadai
sejak dini karena bisa mengakibatkan kematian sebagaimana yang terjadi pada
wanita (Harningsih, 2007). Waktu tahan hidup penderita kanker payudara dapat
diukur mulai dari seseorang didiagnosa terkena kanker payudara sampai
meninggal. Adapun data yang digunakan adalah data penderita kanker payudara di
RSUP Dr. Soeradji Tirtonegoro.
Analisis tahan hidup dilakukan dengan mengestimasi fungsi tahan hidup
dari penderita kanker payudara. Penaksir yang digunakan dalam mengestimasi
fungsi tahan hidup adalah penaksir Kaplan – Meier dan Berliner – Hill. Penaksir
Kaplan-Meier yang memiliki kecenderungan di bawah estimasi pada ekor atas
distribusi waktu tahan hidup akan dibandingkan dengan distribusi prediktif
Berliner – Hill sebagai perkembangan penaksir Kaplan – Meier yang memberikan
nilai estimasi yang lebih layak pada estimasi ekor atas distribusi waktu tahan
hidup.
Yang pertama dilakukan adalah mengestimasi fungsi tahan hidup baik
menggunakan penaksir Kaplan – Meier maupun Berliner – Hill. Selanjutnya
dengan diperolehnya estimasi fungsi tahan hidup tersebut maka dapat diketahui
probabilitas tahan hidup penderita kanker payudara. Langkah selanjutnya
membandingkan kedua penaksir dalam mengestimasi fungsi tahan hidup dengan
membandingkan plot estimasi dan nilai estimasi kesalahan baku dari kedua
penaksir tersebut. Kemudian dilakukan uji Mantel – Haenszel antara fungsi tahan
hidup penderita kanker payudara berdasarkan klasifikasi stadium kanker payudara
untuk membandingkan ketahanan hidup.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
17
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah studi literatur. Studi
literatur dilakukan dengan mempelajari ulang teori tentang penaksir Kaplan –
Meier dan Berliner – Hill yang diterapkan pada data penderita kanker payudara.
Studi literatur dilakukan dalam dua tahap, yaitu tahap pengumpulan data dan
analisis data.
1. Tahap pengumpulan data
Tahap ini dilakukan dengan menggunakan metode penelitian dokumenter,
yaitu mengambil data penderita kanker payudara di Rumah Sakit Umum
Provinsi (RSUP) Dr. Soeradji Tirtonegoro. Data yang diambil meliputi
identitas (nama, jenis kelamin, umur), tanggal masuk dan keluar rumah sakit
(sembuh, pulang paksa, meninggal, rawat jalan). Jika ada pasien yang sembuh,
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
18
rawat jalan, atau pulang paksa dianggap sebagai data tersensor karena waktu
hidupnya tidak diketahui secara pasti. Waktu kelangsungan hidup pasien
dimulai saat didiagnosa menderita kanker payudara sampai dinyatakan
meninggal oleh dokter.
2. Tahap analisis data
Pada tahap ini data diolah dengan menggunakan software Microsoft Excel
2007 dan Mathematica 5.2. Ada beberapa langkah dalam tahapan ini, yaitu
1.1 mengestimasi fungsi tahan hidup penderita kanker payudara
menggunakan penaksir Kaplan-Meier dan Berliner – Hill dengan
software Microsoft Excel 2007 untuk keseluruhan data maupun
berdasarkan klasifikasi stadium kanker payudara,
1.2 membuat plot estimasi fungsi tahan hidup penderita kanker payudara
dengan software Mathematica 5.2,
1.3 membandingkan penaksir Kaplan – Meier dan Berliner – Hill dalam
mengestimasi fungsi tahan hidup pasien penderita kanker payudara
dengan membandingkan plot estimasi dan nilai estimasi kesalahan baku
dari kedua metode estimasi tersebut,
1.4 melakukan uji Mantel – Haenszel untuk membandingkan ketahanan
hidup penderita kanker payudara berdasarkan klasifikasi stadium kanker
payudara.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
19
BAB IV
PEMBAHASAN
Pada bab ini dilakukan analisis untuk keseluruhan data maupun
berdasarkan klasifikasi stadium kanker payudara. Analisis meliputi estimasi
Kaplan - Meier, estimasi Berliner - Hill, perbandingan penaksir Kaplan – Meier
dan Berliner – Hill dalam mengestimasi fungsi tahan hidup, dan uji Mantel –
Haenszel.
4.1 Deskripsi Data
Data penderita kanker payudara diambil dari RSUP Dr. Soeradji
Tirtonegoro meliputi data penderita dari tahun 2006 – 2009. Waktu tahan hidup
penderita kanker payudara dihitung mulai dari penderita didiagnosa terkena
kanker payudara sampai dinyatakan meninggal oleh dokter. Penderita kanker
payudara yang pulang paksa, rawat jalan, dan sembuh dikategorikan sebagai data
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
20
tersensor, sedangkan penderita kanker payudara yang diketahui lamanya waktu
perawatan dari mulai didiagnosa menderita kanker payudara hingga dinyatakan
meninggal oleh dokter di RSUP dikategorikan sebagai data tidak tersensor.
Ringkasan data keseluruhan dan berdasarkan klasifikasi stadium kanker payudara
dapat dilihat pada Tabel 4.1.
Tabel 4.1 Ringkasan Data Penderita Kanker Payudara
Banyak Penderita Stadium
Tidak Tersensor Tersensor Jumlah
II 4 18 22
III 5 38 43
IV 7 47 54
Jumlah 16 103 119
4.2 Estimasi Kaplan – Meier
Untuk menganalisis data, tahap awalnya adalah bagaimana mengestimasi
fungsi tahan hidup dari keempat kategori data dengan menggunakan penaksir
Kaplan-Meier. Pada subbab ini akan dibagi menjadi dua bagian, yaitu estimasi
fungsi tahan hidup untuk keseluruhan data dan estimasi fungsi tahan hidup
berdasarkan klasifikasi stadium.
4.2.1 Estimasi Fungsi Tahan Hidup untuk Keseluruhan Data
Penaksir Kaplan-Meier dapat dilakukan pada n individu dengan k
kematian. Estimasi fungsi tahan hidup Kaplan-Meier dengan asumsi tidak terdapat
observasi rangkap pada pada n sampel observasi dapat diperoleh sebagai berikut:
Misal t1 < t2 < … < tk menggambarkan observasi waktu hidup dalam sampel
berukuran n dari populasi homogen dengan fungsi tahan hidup Observasi
waktu tahan hidup pada tj dibagi menjadi k interval yaitu
dengan t0 = 0 dan tk+1 = ∞ untuk j = 0, 1, …, k. Distribusi waktu
hidup yang memiliki fungsi tahan hidup adalah
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
21
dengan dj = jumlah kegagalan pada saat tj dan nj = jumlah
individu beresiko pada saat tj .
Jika diasumsikan tidak terdapat observasi rangkap maka jumlah yang
gagal dan
Didefinisikan adalah banyaknya observasi tersensor dalam interval Ij
pada waktu , maka
dengan j = 0,1,...,k.
Sehingga diperoleh fungsi hazard dari penaksir Kaplan-Meier adalah
untuk j = 1, 2, …, k
diketahui fungsi hazard pada saat t0 = 0 adalah .
Diasumsikan kegagalan individu – individu dalam sampel saling
independen sehingga diperoleh yang diestimasi dengan
. Dengan maka estimasi fungsi tahan hidup dalam k
interval adalah
(4.1)
untuk j = 1, 2, …, k.
Estimasi fungsi tahan hidup Kaplan-Meier pada saat t0 = 0 adalah 1.
Untuk mengestimasi fungsi tahan hidup Kaplan-Meier dapat juga dengan
menggunakan estimasi maksimum likelihood sebagai berikut.
Estimasi Kaplan - Meier dari didefinisikan seperti pada persamaan
(2.8). Dari persamaan (2.8) diasumsikan terdapat k waktu terjadinya kematian
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
22
yang berbeda t1 < t2 < ... < tk, dengan dj banyaknya kematian pada saat tj. Pada
interval terdapat mj waktu pengamatan tersensor, dinyatakan dengan Lji
dan t0 = 0, tk+1 = ∞, j =0, 1, 2, ..., k. Fungsi likelihoodnya dapat
dinyatakan sebagai
(4.2)
Persamaan (4.2) akan dimaksimumkan dengan membuat dan
besar dan kecil. Misal diasumsikan ,
dinyatakan dan
untuk semua i dan j. Misal =Pj sehingga persamaan (4.2) menjadi
dengan (4.3)
Dengan memisalkan dan diberikan
dan maka persamaan (4.3) menjadi
. (4.4)
Logaritma dari persamaan (4.4) adalah
. (4.5)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
23
Turunan parsial dari persamaan (4.5) terhadap adalah
. (4.6)
Untuk memperoleh estimasi dari pj maka persamaan (4.6) sama dengan
nol agar L maksimum,
.
Oleh karena nj > 0, 0 < dj < nj, dan 0 < pj < 1, maka nilai
untuk setiap j. Agar , maka untuk
setiap j , sehingga
. (4.7)
Estimasi maksimum likelihood dari Pj adalah sehingga
diperoleh estimasi fungsi tahan hidup secara keseluruhan adalah
. (4.8)
Hasil estimasi fungsi tahan hidup penderita kanker payudara secara
keseluruhan dapat dilihat pada Lampiran 2.
4.2.2 Estimasi Fungsi Tahan Hidup Berdasarkan Kalsifikasi Stadium
Untuk mengestimasi fungsi tahan hidup berdasarkan klasifikasi stadium
kanker payudara digunakan estimasi fungsi tahan hidup . Berdasarkan fungsi
tahan hidup pada persamaan (2.6) untuk variabel random diskrit, dapat diubah
untuk klasifikasi berdasarkan c stadium yaitu :
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
24
. (4.9)
Persamaan (2.5) disubstitusikan ke dalam persamaan (4.9) menjadi
. (4.10)
Hubungan antara fungsi hazard berdasarkan klasifikasi stadium dengan
fungsi hazard secara umum adalah
.
Pada landasan teori telah disebutkan bahwa fungsi hazard merupakan laju
kematian sesaat pada waktu t sehingga estimasi fungsi hazard tersebut
, dengan dj adalah banyaknya kematian pada saat tj .Banyaknya kematian saat tj
pada klasifikasi stadium c adalah dcj, maka estimasi fungsi hazard pada stadium c
adalah
. Sehingga diperoleh estimasi fungsi hazard berdasarkan klasifikasi stadium
adalah
dengan dcj merupakan jumlah kematian pada saat tj dengan klasifikasi data c.
Estimasi dari persamaan (4.10) adalah
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
25
. (4.11)
Hasil estimasi fungsi tahan hidup penderita kanker payudara berdasarkan
klasifikasi stadium kanker payudara dapat dilihat selengkapnya pada Lampiran 2.
4.2.3 Plot Estimasi Fungsi Tahan Hidup
Langkah selanjutnya dalam menganalisis data adalah membuat plot
estimasi fungsi tahan hidup terhadap waktu tahan hidupnya. Langkah ini
berfungsi untuk melihat kecenderungan estimasi fungsi tahan hidup terhadap
waktu yang semakin lama dan dapat melihat dengan jelas perbedaan antara hasil
estimasi fungsi tahan hidup untuk setiap stadium kanker payudara.
Berdasarkan estimasi pada persamaan (4.8) dan (4.11), dengan hasil
estimasi fungsi tahan hidup pada Lampiran 2, diberikan plot estimasi fungsi tahan
hidup untuk keempat kategori data terhadap waktu hidupnya, seperti terlihat pada
Gambar 4.1 sampai dengan Gambar 4.4
0 10 20 30 40tHbulanL
0.4
0.6
0.8
1
S̀t
Keseluruhan Data
Gambar 4.1 Plot Estimasi Fungsi Tahan Hidup Keseluruhan Data
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
26
10 20 30 40tHbulanL0.45
0.5
0.55
0.6
0.65
0.7
0.75
S̀ 1t
Stadium II
Gambar 4.2 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium II
10 20 30 40tHbulanL0.25
0.3
0.35
0.4
0.45
0.5
S̀ 2t
Stadium III
Gambar 4.3 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium III
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
27
0 10 20 30 40tHbulanL
0.15
0.2
0.25
0.3
0.35
0.4
0.45
S̀ 3t
Stadium IV
Gambar 4.4 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium IV
Dari Gambar 4.1, 4.2, 4.3, dan Gambar 4.4 terlihat bahwa estimasi fungsi
tahan hidup semakin mengecil untuk waktu yang semakin lama. Ini berarti
semakin lama menderita kanker payudara maka semakin kecil probabilitas pasien
penderita kanker payudara untuk bertahan hidup. Secara keseluruhan, probabilitas
penderita kanker payudara dapat bertahan hidup sampai 48 bulan adalah sebesar
22,879%. Sedangkan probabilitas penderita kanker payudara stadium II dapat
bertahan hidup sampai 48 bulan adalah sebesar 42%, stadium III sebesar
25,421%, dan stadium IV sebesar 11,439%.
4.2.4 Estimasi Variansi Kaplan – Meier
Berdasarkan estimasi fungsi tahan hidup Kaplan – Meier pada persamaan
(4.1) diperoleh hasil
maka variansi untuk adalah
. (4.12)
Misal pada percobaan binomial dengan parameter nj dan pj dengan pj
adalah probabilitas tahan hidup setelah interval Ij dengan syarat hidup setelah
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
28
interval Ij-1. Jumlah observasi yang dapat bertahan adalah sebanyak nj – dj, dengan
menggunakan hasil variansi dari binomial variabel random maka diperoleh
. Oleh karena itu diperoleh variansi dari adalah
. (4.13)
Variansi dari dapat diperoleh dengan menggunakan hasil umum
dari perhitungan variansi dari fungsi variabel random. Variansi fungsi
variabel random dinyatakan dengan
(4.14)
Menggunakan persamaan (4.14), perhitungan variansi adalah
(4.15)
dan mensubstitusikan persamaan (4.13) ke persamaan (4.15) maka diperoleh
(4.16)
Dengan mensubstitusikan persamaan (4.16) ke persamaan (4.12) maka diperoleh
(4.17) Aplikasi lebih lanjut dari persamaan (4.14) adalah
. (4.18)
Sehingga diperoleh nilai variansi estimasi fungsi tahan hidup Kaplan-Meier
yaitu
. (4.19)
Dengan mensubstitusikan persamaan (4.17) ke persamaan (4.19) maka diperoleh
(4.20)
Menurut Kleln (1997), kesalahan baku dari penaksir Kaplan-Meier adalah
(4.21)
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
29
Hasil estimasi variansi fungsi tahan hidup penderita kanker payudara dapat
dilihat selengkapnya pada Lampiran 2.
4.3 Estimasi Berliner – Hill
Pada subbab ini akan dibagi menjadi dua bagian, yaitu estimasi fungsi
tahan hidup untuk keseluruhan data dan estimasi fungsi tahan hidup berdasarkan
klasifikasi stadium.
4.3.1 Estimasi Fungsi Tahan Hidup untuk Keseluruhan Data
Berliner-Hill merupakan distribusi prediktif nonparametrik untuk waktu
hidup pasien baru yang diberikan perlakuan dengan tujuan estimasi fungsi tahan
hidup berdasarkan pada An.
Menurut Hill (1992), spesifikasi langsung yang didefinisikan dengan An
memiliki 3 ketentuan yaitu:
1. Jumlah random T1, T2, …, Tn yang diamati dapat ditukar.
2. Ties (observasi rangkap) memiliki probabilitas 0.
3. Diberikan data tj dengan j = 1, 2, …, n, probabilitas untuk observasi akan
datang terjadi pada interval adalah untuk setiap j = 0,
1, 2, …, n. Hal ini berlaku untuk semua t1,t2, …, tn yang mungkin.
Anggap terdapat n observasi yang terdiri dari k + l pasien. Misalkan waktu
tahan hidup pasien adalah T1, T2, …, Tn yang merupakan vektor random yang
menggambarkan waktu sebenarnya. Waktu tahan hidup dengan asumsi T1, T2, …,
Tn dapat ditukar dan pada observasi rangkap memiliki probabilitas 0. Misalkan
merupakan waktu kematian dan merupakan
waktu tersensor. Sehingga data terdiri dari waktu kematian Tj = tj untuk j = 1, 2,
…, k dan waktu sensor Tk+i > yi untuk i = 1, 2, …, l. Data dari pasien tersensor
dapat ditulis sebagai berikut .
Konsep umum yang mendasari penggunaan An untuk analisis tahan hidup
yaitu untuk setiap pasien tersensor akan meninggal tepatnya pada salah satu
interval Ij yang terbentuk berdasar pada k pasien yang mengalami
kematian. Distribusi prediktif berhubungan hanya atas interval Ij di mana pasien
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
30
tersensor akhirnya meninggal pada interval tersebut. Dikondisikan hanya pada
interval di mana observasi tersensor terjadi. Untuk setiap observasi tersensor
yi, i = 1, 2, …, didefinisikan ui adalah nilai tidak tersensor terbesar (nilai t)
sebelum yi , jika tidak ada maka ui = 0. Dengan kata lain, ui adalah indeks dari
interval di mana yi terjadi. Didefinisikan Informasi Sensor Sebagian (Partial
Censoring Information), disingkat menjadi PCI sebagai berikut
; i = 1, 2, ..., l.
Didefinisikan observasi tersensor tiap interval Ij adalah m(j), maka
dengan j = 0,1,...,k
Fungsi hazard dari penaksir Berliner-Hill adalah
untuk j = 0,1, 2, …, k.
(4.22)
Estimasi Berliner – Hill untuk fungsi tahan hidup didasarkan pada fungsi
tahan hidup model diskrit seperti pada persamaan (2.6) ,maka fungsi tahan hidup
Berliner-Hill didefinisikan sebagai berikut:
. (4.23)
Berdasarkan PCI,
Untuk m(0) = 0 maka sehingga diperoleh hasil
Sedangkan jika waktu hidup pasien tersensor dengan asumsi
pertukaran maka waktu hidup sensor dapat ditulis kembali menjadi Tk+1 , …,
Tk+m(0) di mana observasi m(0) adalah waktu hidup tersensor pada interval I0 .
Berdasarkan informasi sensor sebagian, terjadinya sensor untuk observasi ini
hanya Tk+i ≥ 0, untuk i = 1, 2, …, m(0). Sehingga dapat dikatakan observasi yang
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
31
terjadi pada j = 0 adalah sepenuhnya tidak informatif, maka observasi m(0) dapat
dihapus dari perhitungan f(0). Dalam kasus ini, pengurangan jumlah observasi n –
m(0) untuk jumlah tersesiko, jadi dapat dikatakan bahwa tidak ada observasi
tersensor pada interval. Perhitungan dengan probabilitas bersyarat dapat
ditunjukkan sebagai berikut:
Pengurangan data dilakukan dengan menghapus kumpulan observasi
sensor m(0) dalam interval I0. Untuk perhitungan estimasi probabilitas prediktif
f(1) sampai f(k) ditunjukkan sebagai berikut:
Untuk j = 1 dan . Diberikan dengan observasi m(1)
terjadi dalam interval I1 dan informasi sensor sebagian meletakkan t1 pada
kejadian yang terjadi, seperti dalam kasus j = 0 dengan sensor diasumsikan tidak
informatif sehingga observasi sensor m(1) dalam interval I1 dapat dihapus pada
waktu perhitungan dilakukan. Diperoleh probabilitas bersyarat untuk probabilitas
prediktif adalah
Selanjutnya dengan cara yang sama diperoleh rumus umum yaitu
(4.24) Hasil estimasi fungsi tahan hidup penderita kanker payudara secara
keseluruhan dapat dilihat pada Lampiran 2.
4.3.2 Estimasi Fungsi Tahan Hidup Berdasarkan Kalsifikasi Stadium
Untuk mengestimasi fungsi tahan hidup berdasarkan klasifikasi stadium
kanker payudara digunakan estimasi fungsi tahan hidup . Berdasarkan fungsi
tahan hidup pada persamaan (2.6) untuk variabel random diskrit, dapat diubah
untuk klasifikasi berdasarkan c stadium yaitu :
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
32
. (4.25)
Kemudian persamaan (4.24) tersebut disubstitusikan ke dalam persamaan
(4.25) menjadi
(4.26) Persamaan (4.23) merupakan estimasi fungsi tahan hidup secara
keseluruhan dengan mengabaikan klasifikasi data. Estimasi fungsi tahan hidup
dengan mempertimbangkan klasifikasi data c adalah
(4.27)
Hasil estimasi fungsi tahan hidup penderita kanker payudara berdasarkan
klasifikasi stadium kanker payudara dapat dilihat selengkapnya pada Lampiran 2.
4.2.3 Plot Estimasi Fungsi Tahan Hidup
Berdasarkan estimasi pada persamaan (4.23) dan (4.27), dengan hasil
estimasi fungsi tahan hidup pada Lampiran 2, diberikan plot estimasi fungsi tahan
hidup untuk keempat kategori data terhadap waktu hidupnya, seperti terlihat pada
Gambar 4.5 sampai dengan Gambar 4.8
0 10 20 30 40tHbulanL
0.4
0.5
0.6
0.7
0.8
0.9
1
S̀t
Keseluruhan Data
Gambar 4.5 Plot Estimasi Fungsi Tahan Hidup Keseluruhan Data
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
33
10 20 30 40tHbulanL
0.5
0.6
0.7
0.8
0.9
S̀ 1t
Stadium II
Gambar 4.6 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium II
10 20 30 40tHbulanL
0.3
0.4
0.5
0.6
S̀ 2t
Stadium III
Gambar 4.7 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium III
0 10 20 30 40tHbulanL0.2
0.3
0.4
0.5
0.6
S̀ 3t
Stadium IV
Gambar 4.8 Plot Estimasi Fungsi Tahan Hidup Penderita Kanker Payudara
Stadium IV
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
34
Dari Gambar 4.5, 4.6, 4.7, dan Gambar 4.8 terlihat bahwa estimasi fungsi
tahan hidup semakin mengecil untuk waktu yang semakin lama. Ini berarti
semakin lama menderita kanker payudara maka semakin kecil probabilitas pasien
penderita kanker payudara untuk bertahan hidup. Secara keseluruhan, probabilitas
penderita kanker payudara dapat bertahan hidup sampai 48 bulan adalah sebesar
33,635%. Sedangkan probabilitas penderita kanker payudara stadium II dapat
bertahan hidup sampai 48 bulan adalah sebesar 42,15%, stadium III sebesar
25,627%, dan stadium IV sebesar 16,818%.
4.3.3 Estimasi Variansi Berliner – Hill
Dengan asumsi perhitungan proporsi binomial
sehingga diperoleh
(4.28)
Dengan mensubstitusikan persamaan (4.28) ke persamaan (4.12) maka
diperoleh
(4.29)
Kemudian mensubstitusikan persamaan (4.29) ke persamaan (4.19) maka
diperoleh
(4.30)
Oleh karena itu kesalahan baku dari penaksir Berliner-Hill diperoleh
sebagai berikut
(4.31)
Hasil estimasi variansi fungsi tahan hidup penderita kanker payudara dapat
dilihat selengkapnya pada Lampiran 2.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
35
4.4 Perbandingan Penaksir Kaplan – Meier dan Berliner – Hill
Untuk melihat perbandingan hasil estimasi fungsi tahan hidup yang
diperoleh dengan menggunakan penaksir Kaplan – Meier dan Berliner – Hill,
maka dibuat plot estimasi fungsi tahan hidup keduanya.
0 10 20 30 40tHbulanL
0.4
0.6
0.8
1
S̀t
Keseluruhan Data
0 10 20 30 40tHbulanL0
0.2
0.4
0.6
0.8
S̀ it
Stadium II,III,IV
Gambar 4.9 Plot Perbandingan Penaksir Kaplan – Meier dan Berliner – Hill
Dari Gambar 4.9 terlihat bahwa plot estimasi fungsi tahan hidup
menggunakan penaksir Berliner – Hill berada di atas penaksir Kaplan – Meier.
Hal ini menunjukkan bahwa nilai estimasi fungsi tahan hidup penderita kanker
payudara menggunakan penaksir Berliner – Hill lebih besar dari penaksir Kaplan
– Meier. Selain membandingkan plot estimasi fungsi tahan hidup keduanya, dapat
dibandingkan nilai estimasi kesalahan baku untuk mengetahui penaksir yang
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
36
lebih baik diantara yang lain. Hasil estimasi kesalahan baku dengan menggunakan
persamaan (4.21) dan (4.31) diperoleh sebagai berikut
Tabel 4.2 Nilai Estimasi Kesalahan Baku Penaksir Kaplan – Meier
dan Berliner - HIll
Kesalahan Baku
time Kaplan - Meier Berliner - Hill
4 0,00889 0,00881
5 0,01344 0,01332
6 0,01694 0,01677
9 0,02079 0,02057
10 0,02469 0,02441
12 0,02914 0,02877
14 0,03344 0,03298
15 0,03724 0,03671
16 0,04198 0,04133
24 0,05072 0,04967
25 0,05947 0,05801
26 0,06982 0,06777
27 0,08160 0,07875
29 0,11728 0,10886
37 0,15870 0,14252
44 0,18019 0,16698
Berdasarkan nilai estimasi kesalahan baku pada Tabel 4.2 diketahui bahwa
estimasi kesalahan baku dari fungsi tahan hidup menggunakan penaksir Berliner –
Hill lebih kecil daripada estimasi kesalahan baku dari fungsi tahan hidup
menggunakan penaksir Kaplan – Meier. Hal ini menunjukkan bahwa penggunaan
penaksir Berliner – Hill lebih baik digunakan untuk mengestimasi fungsi tahan
hidup penderita kanker payudara.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
37
4.5 Uji Mantel – Haenszel
Uji Mantel – Haenszel dilakukan untuk membandingkan ketahanan
hidup berdasarkan klasifikasi stadium kanker payudara.
4. 5.1 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium II dan III
Hipotesis yang akan diuji adalah
dan
dengan S1 fungsi tahan hidup penderita kanker payudara stadium II dan S2 fungsi
tahan hidup penderita kanker payudara stadium III.
Berdasarkan persamaan (2.11), (2.12), dan (2.13) diperoleh hasil uji
Mantel – Haenszel ini sebagai berikut:
Tabel 4.3 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium II dan III
time Ai Bi Ci Di E(Ai) var(Ai) [0,6) 0 8 0 4 0,00000 0,00000
[6,9) 1 5 0 7 0,46154 0,24852
[9,10) 0 1 1 2 0,25000 0,18750
[10,14) 0 0 1 8 0,00000 0,00000
[14,15) 0 0 1 1 0,00000 0,00000
[15,16) 1 0 0 5 0,16667 0,13889
[16,24) 1 3 0 6 0,40000 0,24000
[24,25) 1 1 0 2 0,50000 0,25000
[25,26) 0 0 1 1 0,00000 0,00000
[26,∞) 0 0 1 2 0,00000 0,00000
Jumlah 4 18 5 38 1,77821 1,06491
Dari Tabel 4.3 diperoleh hasil uji Mantel – Haenszel ini sebagai berikut
.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
38
Dengan tingkat signifikansi a = 10%, daerah kritisnya adalah H0 ditolak apabila
> = 2,71. Oleh karena > = 2,71. maka H0 ditolak. Hal
ini berarti fungsi tahan hidup penderita kanker payudara stadium II lebih besar
daripada fungsi tahan hidup penderita kanker payudara stadium III.
4. 5.2 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium II dan IV
Hipotesis yang akan diuji adalah
dan
dengan S1 fungsi tahan hidup penderita kanker payudara stadium II dan S2 fungsi
tahan hidup penderita kanker payudara stadium IV.
Berdasarkan persamaan (2.11), (2.12), dan (2.13) diperoleh hasil uji
Mantel – Haenszel ini sebagai berikut:
Tabel 4.4 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium II dan IV
time Ai Bi Ci Di E(Ai) var(Ai) [0,4) 0 6 0 1 0,00000 0,00000
[4,5) 0 2 1 10 0,16667 0,13018
[5,6) 0 0 1 3 0,00000 0,00000
[6,12) 1 6 0 10 0,43750 0,24221
[12,15) 0 0 1 1 0,00000 0,00000
[15,16) 1 0 0 3 0,33333 0,18750
[16,24) 1 3 0 4 0,57143 0,25000
[24,27) 1 1 0 5 0,33333 0,20408
[27,29) 0 0 1 7 0,00000 0,00000
[29,37) 0 0 1 1 0,00000 0,00000
[37,44) 0 0 1 1 0,00000 0,00000
[44,∞) 0 0 1 1 0,00000 0,00000
Jumlah 4 18 7 47 1,84226 1,01397
Dari Tabel 4.4 diperoleh hasil uji Mantel – Haenszel ini sebagai berikut
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
39
.
Dengan tingkat signifikansi a = 10%, daerah kritisnya adalah H0 ditolak apabila
> = 2,71. Oleh karena > = 2,71. Maka H0 ditolak. Hal
ini berarti fungsi tahan hidup penderita kanker payudara stadium II lebih besar
daripada fungsi tahan hidup penderita kanker payudara stadium IV.
4. 5.3 Uji Mantel – Haenszel untuk Fungsi Tahan Hidup Penderita Kanker
Payudara Stadium III dan IV
Hipotesis yang akan diuji adalah
dan
dengan S1 fungsi tahan hidup penderita kanker payudara stadium III dan S2 fungsi
tahan hidup penderita kanker payudara stadium IV.
Berdasarkan persamaan (2.11), (2.12), dan (2.13) diperoleh hasil uji
Mantel – Haenszel ini sebagai berikut:
Tabel 4.5 Perhitungan Statistik Mantel Haenszel untuk Fungsi Tahan Hidup
Penderita Kanker Payudara Stadium III dan IV
time Ai Bi Ci Di E(Ai) var(Ai) [0,4) 0 2 0 1 0,00000 0,00000
[4,5) 0 0 1 10 1,00000 0,00000
[5,9) 0 9 1 3 0,30769 0,21302
[9,10) 1 2 0 5 0,62500 0,23438
[10,12) 1 5 0 5 0,45455 0,24793
[12,14) 0 3 1 1 0,40000 0,24000
[14,25) 1 14 0 7 0,31818 0,21694
[25,26) 1 1 0 3 0,60000 0,24000
[26,27) 1 1 0 2 0,50000 0,25000
[27,29) 0 0 1 7 1,00000 0,00000
[29,37) 0 1 1 1 0,66667 0,22222
[37,44) 0 0 1 1 1,00000 0,00000
[44,∞) 0 0 1 1 1,00000 0,00000
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
40
Jumlah 5 38 7 47 7,87209 1,86449
Dari Tabel 4.5 diperoleh hasil uji Mantel – Haenszel ini sebagai berikut
.
Dengan tingkat signifikansi a = 10%, daerah kritisnya adalah H0 ditolak apabila
> = 2,71. Oleh karena > = 2,71. Maka H0 ditolak. Hal
ini berarti fungsi tahan hidup penderita kanker payudara stadium III lebih besar
daripada fungsi tahan hidup penderita kanker payudara stadium IV.
Dengan menggunakan uji Mantel – Haenszel tersebut dengan
membandingkan fungsi tahan hidup berdasarkan klasifikasi stadium diketahui
bahwa fungsi tahan hidup penderita kanker payudara stadium IV paling kecil
dibanding fungsi tahan hidup penderita kanker payudara stadium II dan III. Hal ini
dalam kedokteran dapat dikatakan bahwa stadium IV merupakan klasifikasi
kanker payudara yang serius dan menunjukkan prognosis (perkiraan keadaan
akhir) paling jelek dari klasifikasi kanker payudara yang lain.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
41
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan uraian pada pembahasan diperoleh kesimpulan sebagai
berikut.
1. Estimasi fungsi tahan hidup penderita kanker payudara untuk keseluruhan data
maupun berdasarkan klasifikasi stadium kanker payudara semakin mengecil
untuk waktu yang semakin lama. Hal ini berarti bahwa semakin lama
menderita kanker payudara maka semakin kecil probabilitas penderita kanker
payudara bertahan hidup.
2. Pada kasus tahan hidup penderita kanker payudara di mana lebih banyak pasien
dengan waktu hidup tersensor daripada pasien yang meninggal menunjukkan
bahwa nilai estimasi menggunakan penaksir Berliner - Hill lebih besar
dibandingkan menggunakan penaksir Kaplan - Meier.
3. Berdasarkan nilai estimasi kesalahan baku, diketahui bahwa estimasi fungsi
tahan hidup penderita kanker payudara menggunakan penaksir Berliner - Hill
lebih baik dibanding menggunakan penaksir Kaplan - Meier karena
memberikan nilai kesalahan baku yang lebih kecil.
4. Hasil analisis tahan hidup penderita kanker payudara menggunakan penaksir
Berliner - Hill menunjukkan bahwa secara keseluruhan, probabilitas penderita
kanker payudara mampu bertahan hidup sampai 48 bulan adalah sebesar
33,635%. Sedangkan probabilitas penderita kanker payudara stadium II mampu
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
42
bertahan hidup sampai 48 bulan adalah sebesar 42,15%, stadium III sebesar
25,627%, dan stadium IV sebesar 16,818%.
5. Berdasarkan uji Mantel – Haenszel dengan membandingkan ketiga fungsi
tahan hidup penderita kanker payudara stadium II, III, dan IV didapatkan hasil
bahwa fungsi tahan hidup penderita kanker payudara stadium IV paling kecil
dibanding fungsi tahan hidup penderita kanker payudara stadium II dan III. Hal
ini dalam kedokteran dapat dikatakan bahwa stadium IV merupakan klasifikasi
kanker payudara yang serius dan menunjukkan prognosis (perkiraan keadaan
akhir) paling jelek dari klasifikasi kanker payudara yang lain.
5.2 Saran
Dalam mengestimasi fungsi tahan hidup dengan menggunakan penaksir
Kaplan – Meier dan Berliner – Hill diasumsikan waktu hidup pasien yang
mengalami kematian dan tersensor adalah independen, maka disarankan untuk
dilakukan pengembangan dengan menggunakan kovariat dalam estimasi Kaplan –
Meier dan Berliner – Hill. Selain itu bagi pembaca yang berminat dapat
melanjutkan penelitian ini dengan analisis tahan hidup pada bidang selain
kesehatan seperti bidang teknik ataupun bidang sosial.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
43
DAFTAR PUSTAKA
Bain, L. J. and M. Engelhardt. (1992). Introduction to Probability and Mathematical Statistics, 2nd ed. Duxbury Press Belmont, California.
Cox, D. R. and D. Oakes. (1984). Analysis of Survival Data. Chapman and Hall, London.
Dalimartha, Dr. Setiawan. (2004). Deteksi Dini Kanker dan Simplisia Anti Kanker. Jakarta: Penebar Swadaya.
Elandt, R. C. and N. L. Johnson. (1980). Survival Models and Data Analysis. John Wiley and Sons, New York.
Harningsih, Sri. (2007). Waspada Kanker Payudara. www.kesehatan.07.net. Diakses pukul 14.15 tanggal 7 Maret 2010.
Hill, B.M. (1992). Bayesian Nonparametric Survival Analysis A Comparison of the Kaplan-Meier and Berliner-Hill Estimators. In J.P. Klein and P.K. Goel (Eds.), Survival Analysis: State of the Art, NATO ASI series, pp: 25-46. Kluwer Academic Publishers.
Isna , N.R. (2009). Kanker Payudara Juga Ada Pada Pria. http://inioke.com/konten/495/kankerpayudarajuga-ada-pada-pria.htm. Diakses pukul 08.00 tanggal 15 Juli 2010.
Kaplan, E.L. and P. Meier (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, Vol. 53, pp: 457-481.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
44
Kleln, J. P. and Moeschberger. (1997). Survival Analysis Techniques for Censored and Truncated Data. Springer-Verlag, New York.
Kusminarto. (2005). Deteksi Dini Kanker Payudara, Jawaban untuk Menghindari.http://www.depkes.go.id/index.php?option=articles&task=viewarticle&artid=402&Itemid=3. Diakses pukul 08.00 tanggal 16 Juli 2010.
Lawless, J. F. (1982). Statictical Model and Methods for Lifetime Data. John Wiley and Sons, New York.
Mantel, Nathan. (1963). Chi-Square Tests With One Degree Of Freedom; Extensions Of The Mantel-Haenszel Procedure. Journal of the American Statistical Association, No. 303 Vol. 58, pp:690-700.
Mardiana, Lina. (2004). Kanker Pada Wanita Pencegahan Dan Pengobatan Dengan Tanaman Obat. Jakarta: Penebar Swadaya.
Medicastore. (2002). Kanker Payudara. http://www.medicastore.com/med/detail _pyk.php?idktg=21&iddtl=1045&UID=20070628141536202.73.118.239. Diakses pukul 10.00 pada tanggal 16 Juli 2010.
Supit, Nina I.S. (2002). Deteksi dini Keganasan Payudara dalam Deteksi dini Kanker. Jakarta: FK UI.
Sutjipto Sp.B.(K) Onk, Dr. (2006). Berdamai dengan Kanker Payudara. Sehat Plus. No. 12 Vol. 4. Jakarta: PT. Citra Niskala Nusantara.
Wahyuni, Arlinda Sari. (2006). Hubungan Jenis Histologi dengan Ketahanan Hidup 5 Tahun Penderita Kanker Payudara. Majalah Kedokteran Nusantara Vol. 39 No. 1 Maret 2006: 7-11.
Yan, K.J. (2002). Nonparametric Predictive Inference with Right-Censored Data. Ph-D Thesis, University of Durham.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
45