Advan – Analisis survival merupakan salah satu metode statistik yang digunakan untuk menganalisis data yang berkaitan dengan waktu kejadian. Biasanya, analisis ini digunakan dalam penelitian medis, teknik, atau bidang lainnya untuk memodelkan data “waktu hingga kejadian,” seperti waktu hingga kematian, kegagalan produk, atau waktu hingga terjadi suatu peristiwa tertentu. Dalam analisis survival, peristiwa yang dimaksud bisa berupa kematian, penyakit, atau kerusakan mesin.
SAS, sebagai software statistik yang banyak digunakan, memiliki berbagai alat dan prosedur untuk melakukan analisis survival. Dengan menggunakan SAS, data survival bisa dianalisis secara lebih mendalam, mulai dari estimasi waktu survival, uji perbedaan antara kelompok, hingga pembuatan model prediksi untuk memprediksi peluang kejadian di masa depan.
Sebelum melakukan analisis survival, penting untuk memiliki pemahaman yang baik tentang konsep dasar analisis ini. Salah satu hal penting dalam analisis survival adalah data censoring, yaitu ketika waktu kejadian belum tercatat karena individu atau objek masih dalam penelitian, atau data hilang. Artikel ini akan membahas bagaimana melakukan analisis survival menggunakan SAS dan langkah-langkah yang perlu diikuti untuk mendapatkan hasil yang akurat.
Persiapan Data untuk Analisis Survival di SAS
Sebelum memulai analisis survival, langkah pertama yang harus dilakukan adalah menyiapkan data. Data untuk analisis survival biasanya terdiri dari dua komponen penting: waktu dan status kejadian. Waktu mengacu pada lamanya waktu hingga terjadinya peristiwa (misalnya, waktu bertahan hidup), sedangkan status kejadian menunjukkan apakah peristiwa tersebut benar-benar terjadi atau tidak (misalnya, apakah pasien meninggal atau masih hidup pada akhir penelitian).
1. Struktur Data Survival
Dalam analisis survival, data harus disusun dalam format yang dapat diolah oleh SAS. Setidaknya harus ada dua variabel utama dalam dataset:
- Time: Waktu hingga peristiwa terjadi (misalnya, kematian, kegagalan produk).
- Event: Status kejadian yang menunjukkan apakah peristiwa tersebut terjadi atau tidak (biasanya dikodekan sebagai 1 untuk peristiwa yang terjadi dan 0 untuk yang censored).
Sebagai contoh, berikut adalah struktur data yang bisa digunakan untuk analisis survival di SAS:
ID Time Event
1 50 1
2 30 1
3 70 0
4 45 1
Dalam data ini, “Time” menunjukkan lamanya waktu hingga terjadinya kejadian, sementara “Event” menunjukkan apakah kejadian tersebut benar-benar terjadi (1) atau data tersebut disensor (0).
2. Menyiapkan Data di SAS
Setelah data dikumpulkan, langkah selanjutnya adalah memasukkan data ke SAS. Data bisa diimpor dari berbagai format seperti CSV, Excel, atau diambil langsung dari database. Gunakan perintah PROC IMPORT untuk memasukkan data ke dalam SAS:
PROC IMPORT DATAFILE=”path_to_your_data.csv”
OUT=survivaldata
DBMS=CSV
REPLACE;
RUN;
Setelah data dimasukkan, periksa apakah strukturnya sesuai dan tidak ada nilai yang hilang sebelum melanjutkan ke analisis survival.
Baca juga Tutorial Uji Chi-Square untuk Data Kategori dengan SAS
Melakukan Analisis Survival di SAS
Setelah data siap, langkah berikutnya adalah melakukan analisis survival menggunakan beberapa prosedur di SAS, seperti PROC LIFETEST dan PROC PHREG. Kedua prosedur ini menyediakan berbagai alat untuk mengeksplorasi dan menganalisis data survival.
1. Estimasi Kurva Kaplan-Meier
Salah satu cara paling umum untuk menganalisis data survival adalah dengan menggunakan metode Kaplan-Meier, yang berfungsi untuk memperkirakan kurva survival dari data yang dicensor. Prosedur SAS yang digunakan untuk estimasi ini adalah PROC LIFETEST. Berikut adalah cara melakukannya di SAS:
PROC LIFETEST DATA=survivaldata PLOTS=SURVIVAL;
TIME Time*Event(0);
TITLE “Kurva Kaplan-Meier untuk Data Survival”;
RUN;
Perintah ini akan menghasilkan kurva Kaplan-Meier yang menunjukkan estimasi peluang bertahan hidup dari waktu ke waktu. Pada output, juga akan ditampilkan ringkasan statistik survival, seperti median waktu survival dan interval kepercayaan.
2. Uji Log-Rank untuk Membandingkan Kelompok
Jika terdapat lebih dari satu kelompok dalam data (misalnya, dua kelompok pasien dengan perawatan yang berbeda), uji log-rank dapat digunakan untuk membandingkan kurva survival antara kelompok-kelompok tersebut. Uji ini juga dilakukan dengan PROC LIFETEST di SAS, dengan menambahkan variabel kelompok ke dalam perintah:
PROC LIFETEST DATA=survivaldata PLOTS=SURVIVAL;
TIME Time*Event(0);
STRATA Group;
TITLE “Perbandingan Kurva Survival dengan Uji Log-Rank”;
RUN;
Hasil uji log-rank akan menunjukkan apakah ada perbedaan yang signifikan dalam kurva survival antara kelompok yang berbeda.
Mengoptimalkan Analisis Survival dengan Model Cox Proportional Hazards
Selain metode Kaplan-Meier dan uji log-rank, analisis survival juga dapat dilakukan dengan menggunakan model regresi. Model yang paling umum digunakan adalah model Cox Proportional Hazards. Model ini memungkinkan untuk menguji efek dari beberapa variabel independen pada risiko kejadian suatu peristiwa.
1. Menjalankan Model Cox di SAS
Untuk menjalankan model Cox Proportional Hazards di SAS, prosedur yang digunakan adalah PROC PHREG. Berikut adalah contoh cara melakukannya:
PROC PHREG DATA=survivaldata;
MODEL Time*Event(0) = Age Gender Treatment;
TITLE “Model Cox Proportional Hazards”;
RUN;
Model ini akan mengestimasi efek variabel usia (Age), jenis kelamin (Gender), dan perlakuan (Treatment) terhadap risiko terjadinya peristiwa.
2. Interpretasi Hasil Model Cox
Hasil dari PROC PHREG akan memberikan estimasi dari hazard ratio (HR), yang menunjukkan seberapa besar risiko suatu kelompok relatif terhadap kelompok lain. Sebagai contoh, jika hazard ratio untuk variabel “Treatment” lebih besar dari 1, ini berarti kelompok yang mendapatkan perlakuan tersebut memiliki risiko lebih tinggi untuk mengalami peristiwa daripada kelompok yang tidak mendapatkan perlakuan.
Menggunakan SAS untuk analisis survival memberikan berbagai keuntungan, seperti kemudahan dalam menyiapkan data, melakukan estimasi kurva Kaplan-Meier, menjalankan uji log-rank, hingga membuat model Cox Proportional Hazards. Dengan menggunakan SAS, data survival dapat dianalisis dengan lebih akurat dan mendalam.
Untuk menunjang analisis seperti ini, perangkat keras yang mumpuni sangat penting. Advan Pixelwar, dengan spesifikasi tinggi seperti prosesor AMD Ryzen 5 dan layar 2.5K IPS, menawarkan performa yang luar biasa untuk komputasi berat seperti analisis data besar. Tingkatkan perangkatmu untuk mendukung pekerjaan analisis statistik dengan cepat dan efisien.***
Editor : Adita Febriyanti