BAB 4 ANALSIS DAN BAHASAN 4.1. Analisis Data dan Bahasan 4.1.1. Analsis Deskriptif Analisis deskriptif berikut ini menjelaskan kateristik pasien penderita Tuberculosis (TB Paru) berdasarkan variabel usia, jenis kelamin, perilaku merokok, dan berat badan. Karakteristik tersebut disajikan oleh gambar 4.1 sampai 4.4. Karakteristik ini diperoleh dari data sample yang diambil dari POLI TB DOTS RSUP Persahabatan pada periode januari – juni 2012.
Gambar 4.1 Pie Chart variabel usia Kateristik pasien berdasarkan variabel usia disajikan dalam Gambar 4.1. Dari gambar tersebut dapat diketahui bahwa sebagian besar penderita TB Paru berada pada usia 14-25 dengan presentase sebesar 34%. Presentase penderita TB Paru terkecil berada pada usia 76 tahun keatas dengan presentase sebesar 1%.
47
48
Gambar 4.2 Pie Chart variabel jenis kelamin Karakteristik pasien berdasarkan variabel jenis kelamin disajikan dalam Gambar 4.2. Dari gambar tersebut dapat diketahui bahwa sebagian besar penderita TB Paru berada pada jenis kelamin perempuan dengan presentase sebesar 53%. Presentase penderita TB Paru untuk jenis kelamin laki-laki diketahui sebesar 47%.
Gambar 4.3 Pie Chart variabel merokok Karakteristik pasien berdasarkan variabel perlakuan merokok disajikan dalam Gambar 4.3. Dari gambar tersebut dapat diketahui bahwa penderita TB Paru berada pada perlakuan merokok dengan presentase sebesar 59%. Presentase penderita TB Paru untuk perlakuan tidak merokok diketahui sebesar 41%.
Gambar 4.4 Pie Chart variabel berat badan
49 Karakteristik pasien berdasarkan variabel berat badan disajikan dalam Gambar 4.4. Dari gambar tersebut dapat diketahui bahwa sebagian besar penderita TB Paru berada pada berat badan 41-55 kg dengan presentase sebesar 53%. Presentase penderita TB Paru terkecil berada pada berat badan lebih dari 75 kg dengan presentase sebesar 41%. 4.1.2. Analisis variabel independent dan variabel dependen Analsis ini berguna untuk mengetahui nilai rata-rata, maximum, dan minimum dari variabel independen dan variabel dependen. Tabel 4.1 Analisis variabel waktu Variabel
Mean
Min
Max
- tersensor
65,204
15
139
- tidak tersensor
60,84
8
140
Waktu
Karakteristik pasien berdasarkan status pasien disajikan dalam tabel 4.1. Dari tabel tersebut dapat diketahui bahwa untuk status pasien tersensor rata-rata waktu pengobatan yang dilakukan penderita TB Paru adalah 65,204 hari. Waktu yang tercepat untuk staus pasien tersensor dalam menjalani pengobatan berada di waktu 15 hari. Waktu yang terlama untuk staus pasien tersensor dalam menjalani pengobatan berada di waktu 139 hari. Untuk status pasien tidak tersensor rata-rata waktu pengobatan yang dilakukan penderita TB Paru adalah 60,84 hari. Waktu yang tercepat untuk staus pasien tidak tersensor dalam menjalani pengobatan berada di waktu 8 hari. Waktu yang terlama untuk staus pasien tidak tersensor dalam menjalani pengobatan berada di waktu 140 hari.
50 Tabel 4.2 Analisis variabel waktu berdasarkan faktor Independen Rata-Rata
Min
Max
14 - 25 tahun
61,2
13
139
26 - 35 tahun
65,25
8
106
36 - 45 tahun
71,385
15
138
46 - 55 tahun
69,634
17
140
56 - 65 tahun
39,5
16
62
66 - 75 tahun
70,333
58
93
Laki-laki = 1
69,179
17
140
Perempuan = 2
57,657
8
139
Tidak = 0
57,773
8
139
Ya = 1
72,467
29
140
≤ 40 kg
67,7
14
139
41- 55 kg
57,795
8
96
56- 65 kg
68,0555
15
140
66 - 75 kg
76,75
49
138
> 75 kg
84,333
59
127
Usia
Jenis Kelamin
Perlakuan Merokok
Berat Badan
Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel usia disajikan dalam Tabel 4.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang memiliki rata-rata
51 waktu pengobatan terlama berada pada usia 36-45 tahun yaitu dengan waktu 71,385 hari. Waktu maksimal pada pasien melakukan pengobatan berada pada usia 46 - 55 tahun yaitu 140 hari dan untuk waktu minimal pasien melakukan pengobatan berada pada pasien dengan usia 26-35 tahun yaitu dengan waktu 8 hari. Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel jenis kelamin disajikan dalam Tabel 4.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang berada pada jenis kelamin laki-laki berada pada rata-rata waktu 69,179 hari. Rata-rata waktu penderita TB Paru yang memiliki memiliki jenis kelamin perempuan adalah 57,657. Waktu maksimal pada jenis kelamin laki-laki yaitu 140 hari dan untuk waktu minimal adalah 17 hari. Waktu maksimal pada jenis kelamin perempuan yaitu 139 hari dan untuk waktu minimal adalah 8 hari. Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel perlakuan merokok disajikan dalam Tabel 4.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang berada pada perlakuan merokok berada pada rata-rata waktu 72,467 hari. Rata-rata waktu penderita TB Paru yang memiliki memiliki perlakuan tidak merokok adalah 57,773. Waktu maksimal pada perlakuan merokok yaitu 140 hari dan untuk waktu minimal adalah 29 hari. Waktu maksimal pada perlakuan tidak merokok yaitu 139 hari dan untuk waktu minimal adalah 8 hari. Karakteristik pasien berdasarkan variabel waktu yang di pengaruhi oleh variabel berat badan disajikan dalam tabel 4.2. Dari tabel tersebut dapat diketahui bahwa sebagian besar penderita TB Paru yang memiliki rata-rata waktu pengobatan terlama berada pada berat badan > 75 kg yaitu dengan
52 waktu 84,333 hari. Waktu maksimal pada pasien melakukan pengobatan berada pada pasien yang memiliki berat badan 56 – 65 kg yaitu 140 hari dan untuk waktu minimal pasien melakukan pengobatan berada pada pasien yang memiliki berat badan 41 – 55 kg yaitu dengan waktu 8 hari. 4.1.3. Kaplan-Meier Kaplan-Meier berfungsi untuk mengetahui peluang survive pasien berdasarkan waktu dari pasien melakukan pengobatan sampai pasien sembuh.
Gambar 4.5. Plot Kaplan-Meier Dari Gambar 4.5. dapat disimpulkan bahwa semakin lama pasien melakukan pengobatan maka peluang pasien sembuh semakin kecil. Misalkan pada t = 20 mempunyai peluang survive 0.98 yang menunjukkan bahwa peluang pasien untuk survive pada waktu lebih dari 20 hari sebesar 98%. Sedangkan untuk t = 140 mempunyai peluang survive sebesar 0 yang menunjukkan bahwa peluang pasien untuk survive pada waktu lebih dari 140 hari sebesar 0%.
4.1.4. Uji Penduga Distribusi Data Uji pendugaan distribusi data berfungsi untuk menduga sebaran data yang diperoleh dan untuk megetahui pemodelan yang tepat untuk data yang ada.
53 Tabel 4.3 Pengujian Distribusi Data Distribusi
Anderson Darling
Weibull
2.9897
Exponential
3.8857
Log-Normal
3.899
Log-Logistic
23.8449
Tabel 4.3 menunjukkan bahwa nilai statistik Anderson Darling yang mempunyai nilai terendah ada pada distribusi weibull yang bernilai 2,9897. Maka dapat diketahui bahwa data yang diperoleh mengikuti distribusi weibull. Pemodelan hazard proportional dan
Accelerated Failure Time
mengikuti distribusi weibull. 4.1.5. Model Weibull Model weibull berfungsi untuk mendapatkan model PH dan AFT serta faktorfaktor yang mempengaruhi. Model weibull terbentuk berdasarkan data pasien penderita penyakit TB PARU Paru dari variabel usia, jenis kelamin, merokok, dan berat badan adalah sebagai berikut :
Tabel 4.4 Nilai Taksiran Parameter pada Model Parameter
Taksiran
Z hitung
Sig.
Intercept
4.62961
10.325
5.42 x 10-25
Usia
0.00411
0.544
5.87 x 10-01
54 Jenis Kelamin
0.40142
1.723
8.49 x 10-02
Merokok
0.36500
1.943
5.20 x 10-02
Berat Badan
-0.00834
-0.885
3.76 x 10-01
Log (scale)
-0.89064
-5.538
3.05 x 10-08
Tabel 4.4 menunjukkan bahwa variabel yang signifikan pada taraf 10% adalah jenis kelamin dan merokok. Hal tersebut ditunjukkan oleh nilai Z hitung > Z tabel = 1,645. Maka model hazard proportional dan AFT pada distribusi weibull dapat dibentuk sebagai berikut : S(t) = exp[-(exp[-(4.62961 + 0.00411 Usia + 0.40142 Jenis Kelamin + 0.36500 Merokok + -0.00834 Berat Badan) t ) 2.436689t ] h(t) = [exp(-11.28092 + -0.01001479 Usia + -0.9781357 Jenis Kelamin + -0.8893915 Perilaku Merokok + 2.170213 Berat Badan)] 2.436689t 1.436689 4.1.6. Perhitungan Nilai Acceleration Factor dan Hazard Ratio Perhitungan nilai acceleration factor ini berfungsi mengetahui nilai taksiran untuk laju kesembuhan pasien berdasarkan faktor-faktor yang mempengaruhi model.
Tabel 4.5. Nilai Acceleration Factor dan Hazard Ratio Variabel
Taksiran
Acceleration Factor
Hazard Ratio
55 Jenis Kelamin
0.40142
0.6693689
2.659494
0.36500
0.6941967
2.433648
1 = Laki-Laki 2 = Perempuan Merokok 0 = tidak merokok 1 = Merokok
Dari Tabel 4.5 didapatkan nilai acceleration factor variabel jenis kelamin dari kategori laki-laki terhadap kategori perempuan yaitu 0,66937. Nilai tersebut menunjukkan bahwa peluang survive pasien yang berjenis kelamin laki-laki lebih kecil dibandingkan dengan yang berjenis kelamin perempuan, maka waktu kesembuhan yang berjenis kelamin laki-laki lebih cepat dari yang berjenis kelamin perempuan. Berarti peluang waktu sembuh pasien dengan jenis kelamin laki-laki 0,66937 kali dari jenis kelamin perempuan. Nilai acceleration factor variabel perilaku merokok dari kategori tidak merokok
terhadap
kategori
merokok
yaitu
0,6942.
Nilai
tersebut
menunjukkan bahwa peluang survive pasien yang tidak merokok lebih kecil dibanding dengan yang merokok, maka waktu waktu kesembuhan pasien yang tidak merokok lebih cepat dari yang merokok. Berarti peluang waktu sembuh pasien dengan perilaku tidak merokok 2,433648 kali dari perilaku merokok. Nilai hazard ratio dari variabel jenis kelamin dari kategori laki-laki terhadap kategori perempuan yaitu 2,659494. Nilai tersebut menunjukkan
56 bahwa peluang kesembuhan pasien yang berjenis kelamin laki-laki lebih besar dibandingkan dengan yang berjenis kelamin perempuan. Berarti peluang sembuh pasien dengan jenis kelamin laki-laki 2,659494 kali dari jenis kelamin perempuan. Nilai hazard ratio dari variabel jenis kelamin dari kategori laki-laki terhadap kategori perempuan yaitu 2,433648. Nilai tersebut menunjukkan bahwa peluang kesembuhan pasien yang tidak merokok lebih besar dibandingkan dengan yang merokok. Berarti peluang sembuh pasien dengan perilaku tidak merokok 2,433648 kali dari perilaku merokok. Nilai acceleration factor dan hazard ratio dari variabel jenis kelamin berdasarkan kategori laki-laki terhadap kategori perempuan dapat diketahui bahwa kategori laki-laki memiliki peluang sembuh lebih besar dan waktu pengobatan lebih cepat dibandingkan kategori perempuan. Sementara itu yang tidak merokok memiliki peluang sembuh lebih besar dan waktu pengobatan lebih cepat dibandingkan dengan yang merokok. 4.2. Program Aplikasi Hasil perancangan layar disajikan dalam Gambar 4.6 . Gambar adalah gambar awal program dijalankan. Fungsi tombol browse adalah untuk memilih file yang akan digunakan untuk proses perhitungan.
57
Gambar 4.6 Tampilan awal aplikasi Setelah memilih file, maka tombol View Data akan menjadi aktif. Gambar 4.7 adalah gambar dimana tombol View Data setelah diklik. Fungsi tombol View Data adalah melihat isi dari file yang telah dipilih pada tampilan awal. Check box Test Distribution of data, chexk box Kaplan-Meier test, Semi Parametric test dan Parametric test menjadi aktif.
58
Gambar 4.7 Tampilan View data Gambar 4.8 – 4.9 menampilkan hasil perhitungan dari Test Distribution of Data. Dari gambar 4.8 menampilkan hasil perhitungan aplikasi menampilkan hasil perhitungan dan gambar 4.9 menampilkan interpretasi dari hasil perhitungan.
59
Gambar 4.8 Hasil perhitungan Test Distribution of Data
Gambar 4.9 Hasil Interpretasi Test Distribution of Data Gambar 4.10 – 4.12 menampilkan hasil perhitungan dari Test KaplanMeier. Dari gambar 4.10 menampilkan hasil perhitungan aplikasi menampilkan hasil perhitungan. Untuk gambar 4.11 menampilkan interpretasi dari hasil perhitungan dan untuk Untuk gambar 4.12 menampilkan plot Kaplan-Meier.
60
Gambar 4.10 Hasil perhitungan Kaplan-Meier
Gambar 4.11 Hasil interpretasi perhitungan Kaplan-Meier
61
Gambar 4.12 Plot Kaplan-Meier Gambar 4.13 – 4.14 menampilkan hasil perhitungan dari Semi Parametric Test. Dari gambar 4.13 menampilkan layar pemilihan variabel time, status, dan variabel dependen yang akan dihitung berdarkan model semi parametric. Gambar 4.14 aplikasi menampilkan hasil perhitungan.
62
Gambar 4.13 Layar Pemilihan Variabel
Gambar 4.14 Hasil perhitungan model Semi Parametric Gambar 4.15 – 4.16 menampilkan hasil perhitungan dari Parametric Test. Dari gambar 4.15 menampilkan layar pemilihan variabel time, status, distribution dan variabel dependen yang akan dihitung berdarkan model semi parametric. Gambar 4.16 aplikasi menampilkan hasil perhitungan.
63
Gambar 4.15 Layar pemilihan variabel model Parametric
Gambar 4.16 Hasil perhitungan model Parametric
