Dalam dunia penelitian, terutama di bidang kedokteran, ekonomi, dan teknik, seringkali kita dihadapkan pada data yang berhubungan dengan waktu hingga terjadinya suatu peristiwa. Peristiwa ini bisa berupa kematian pasien, kegagalan produk, churn pelanggan, atau selesainya suatu proyek. Untuk menganalisis data semacam ini, metode analisis survival menjadi sangat krusial. Salah satu perangkat lunak statistik yang populer dan mampu melakukan analisis survival adalah SPSS (Statistical Package for the Social Sciences).
Apa Itu Analisis Survival?
Analisis survival adalah metode statistik yang digunakan untuk menganalisis data waktu ke peristiwa. Tujuannya adalah untuk memperkirakan probabilitas bahwa suatu peristiwa akan terjadi pada waktu tertentu, atau untuk membandingkan waktu ke peristiwa antara dua atau lebih kelompok. Keunikan analisis survival terletak pada kemampuannya menangani data yang disensored (terpotong).
Data Tersensored (Censored Data)
Data tersensored terjadi ketika kita tidak memiliki informasi lengkap tentang waktu hingga terjadinya peristiwa untuk semua subjek dalam studi. Ada dua jenis utama penyensoran:
Penyensoran Kanan (Right Censoring): Ini adalah jenis yang paling umum. Terjadi ketika subjek masih hidup (peristiwa belum terjadi) pada akhir periode studi, atau ketika subjek hilang dari studi sebelum peristiwa terjadi. Kita tahu bahwa peristiwa belum terjadi hingga titik waktu tertentu, tetapi tidak tahu kapan persisnya akan terjadi.
Penyensoran Kiri (Left Censoring): Kurang umum. Terjadi ketika kita hanya tahu bahwa peristiwa telah terjadi sebelum titik waktu tertentu.
Penyensoran Interval (Interval Censoring): Terjadi ketika kita hanya tahu bahwa peristiwa terjadi dalam suatu interval waktu tertentu.
SPSS dapat menangani data tersensored ini dengan baik, memungkinkan analisis yang lebih akurat dibandingkan metode statistik standar yang mengabaikan data tersensored.
Metode Analisis Survival di SPSS
SPSS menyediakan beberapa prosedur untuk melakukan analisis survival. Yang paling umum digunakan meliputi:
1. Kaplan-Meier Survival Estimate
Metode ini digunakan untuk mengestimasi dan memvisualisasikan fungsi survival (probabilitas subjek bertahan hidup melewati waktu tertentu). Ini adalah metode non-parametrik yang tidak memerlukan asumsi distribusi data.
Langkah-langkah umum di SPSS:
Buka menu Analyze > Survival > Kaplan-Meier...
Masukkan variabel waktu ke peristiwa ke kotak Time.
Masukkan variabel yang mengindikasikan apakah peristiwa telah terjadi atau tidak (variabel status) ke kotak Status. Tentukan nilai yang merepresentasikan peristiwa terjadi.
Pilih metode estimasi (biasanya Kaplan-Meier).
Anda dapat menambahkan variabel pengelompokan ke kotak Factor untuk membandingkan kurva survival antar kelompok.
SPSS akan menghasilkan tabel yang berisi estimasi survival pada berbagai titik waktu, dan grafik kurva Kaplan-Meier.
// Contoh Perintah Sintaks SPSS (opsional untuk pemahaman)
KAPLAN_MEIER
/STATUS [variable_status] (nilai_peristiwa)
/INTERVAL=TOTAL 100 BY 1 // Mengatur interval total dan langkah
/PLOT (SURVIVAL)
/COMPARE GROUPS.
2. Log-Rank Test
Tes ini digunakan untuk membandingkan dua atau lebih kurva survival secara statistik. Tujuannya adalah untuk menentukan apakah ada perbedaan signifikan dalam waktu ke peristiwa antar kelompok yang berbeda.
Log-Rank test biasanya dijalankan bersamaan dengan prosedur Kaplan-Meier ketika Anda memilih opsi Compare groups.
3. Cox Proportional Hazards Model
Model Cox adalah metode regresi semi-parametrik yang sangat kuat untuk analisis survival. Model ini memungkinkan kita untuk menginvestigasi bagaimana satu atau lebih variabel prediktor (kovariat) mempengaruhi risiko terjadinya peristiwa pada waktu tertentu, sambil mengontrol variabel lain.
Keunggulan utama model Cox:
Dapat menangani banyak kovariat secara bersamaan.
Tidak mengasumsikan bentuk fungsional tertentu untuk hubungan antara kovariat dan risiko.
Menghasilkan Hazard Ratio (HR), yang menginterpretasikan seberapa besar peningkatan risiko peristiwa untuk setiap peningkatan satu unit pada kovariat, dengan asumsi bahwa rasio hazard konstan seiring waktu (asumsi proporsional hazards).
Langkah-langkah umum di SPSS:
Buka menu Analyze > Survival > Cox Regression...
Masukkan variabel waktu ke peristiwa ke kotak Time.
Masukkan variabel status ke kotak Status. Tentukan nilai yang merepresentasikan peristiwa terjadi.
Masukkan variabel prediktor (kovariat) ke kotak Covariates. Anda dapat memilih kovariat yang bersifat kategorikal atau kontinyu.
SPSS akan menghasilkan tabel koefisien regresi, Hazard Ratio, interval kepercayaan, dan nilai signifikansi untuk setiap kovariat.
// Contoh Perintah Sintaks SPSS (opsional untuk pemahaman)
COXREG
/STATUS [variable_status] (nilai_peristiwa)
/CUTPOINT 0
/VARIABLE LIST [variable_kovariat1] [variable_kovariat2]
/METHOD=ENTER.
Pentingnya Analisis Survival
Pemahaman mendalam tentang analisis survival sangat berharga dalam berbagai disiplin ilmu:
Kedokteran: Memprediksi kelangsungan hidup pasien setelah diagnosis penyakit tertentu, mengevaluasi efektivitas pengobatan baru, atau mengidentifikasi faktor risiko untuk penyakit.
Bisnis: Memprediksi *customer churn* (pelanggan yang berhenti berlangganan), menganalisis waktu hingga kegagalan produk, atau memperkirakan masa pakai mesin.
Teknik: Memprediksi keandalan komponen elektronik atau struktur mekanik, menganalisis waktu hingga kegagalan sistem.
Sosial: Mempelajari durasi pengangguran, waktu hingga pernikahan, atau lama masa jabatan.
Dengan memanfaatkan fitur analisis survival di SPSS, peneliti dapat memperoleh wawasan yang lebih akurat dan mendalam dari data yang berkaitan dengan waktu ke peristiwa. Kemampuan SPSS untuk menangani data tersensored dan menyediakan berbagai metode analisis menjadikannya alat yang sangat berguna bagi para profesional dan akademisi.