1 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP
PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX
Esti Oktaviani 1 , Sri Setyaningsih 2 , dan Ani Andriyati 2
Program Studi Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Pakuan
Bogor
ABSTRAK
Di Indonesia penyakit Tuberculosis(TB) menjadi penyakit yang sangat mengkhawatirkan
karena penyakit tersebut disebabkan oleh bakteri Mycobacterium Tuberculosis dan bisa
berakibat kematian, ada beberapa faktor yang mempengaruhi ketahanan hidup penderita
(TB) diantarnya usia, jenis kelamin, tingkat pendidikan, sanitasi lingkungan, kebiasaan
merokok dan pencahyaan rumah. Penelitian ini bertujuan untuk mengetahui faktor-faktor
yang mempengaruhi ketahanan hidup pasien (TB) menggunakan analisis survival dengan
model regresi cox. Dapat diketahui bahwa pasien yang menjalani rawat inap di RSPG
Cisarua Bogor sebagian besar berusia 42-63 tahun berpendidikan SD (Sekolah Dasar)
berjenis kelamin laki-laki, sanitasi lingkungan yang baik, memiliki kebiasaan merokok dan
mempunyai pencahyaan rumah yang bagus. Data waktu survival berdistribusi 3-parameter
weibull dengan parameter  ,  , dan  masing-masing bernilai 1.36794, 8.48634 dan 0.05489. Dari model regresi cox dapat disimpulkan bahwa faktor yang paling
mempengaruhi terhadap ketahanan hidup pasien (TB) yaitu sanitasi lingkungannya, dan
pasien yang bersanitasi lingkungan kurang baik akan meningkatkan fungsi hazard sebesar
3,44 serta memiliki resiko gagal unutuk bertahan hidupnya lenih tinggi dibandingkan
dengan pasien yang bersanitasi lingkungan baik.
Kata kunci : Tuberculosis, Regresi Cox, 3-Parameter Weibuul, Analisis Survival,
Ketahanan Hidup, Fungsi Hazard.
1
2
Mahasiswa Program Studi Matematika, Universitas Pakuan
Staf Pengajar pada Program Studi Matematika, Universitas Pakuan Bogor
1
Seseorang yang menderita TB,
ketahanan hidupnya akan berkurang.
Lama hidup pasien tersebut tergantung
pada beberapa faktor. Faktor-faktor
tersebut diantaranya faktor usia, jenis
kelamin, tingkat pendidikan, sanitasi
lingkungan, kebiasaan merokok, dan
pencahayaan.
Berdasarkan
latar
belakang
tersebut, penelitian yang akan dilakukan
yaitu menganalisis faktor-faktor yang
mempengaruhi ketahanan hidup pasien
TB dalam menjalani rawat inap di R.S
Paru Dr. M. Goenawan Partowidigdo.
Analisis terhadap ketahanan hidup pasien
TB
tersebut
dilakukan
dengan
menerapkan model regresi cox.
PENDAHULUAN
Latar Belakang
Tuberculosis (TB) merupakan
penyakit infeksi yang masih menjadi
masalah kesehatan diberbagai belahan
dunia, termasuk Indonesia. TB adalah
salah satu penyakit menular yang jika
tidak mendapatkan penanganan yang
tepat bisa menimbulkan kejadian yang
tidak diinginkan seperti halnya kematian.
Menurut
WHO
(World
Health
Organization), pada tahun 1999 di Asia
terdapat 4,5 juta kasus TB dari
keseluruhan 8 juta. Kasus TB yang
diperkirakan terdapat di Indonesia
sebanyak 3 juta yang mengalami
kematian karena TB setiap tahunnya.
Gejala yang ditimbulkan antara lain
gangguan pernafasan seperti sesak nafas,
batuk sampai berdarah, badan tampak
kurus kering dan lemah.
Pemerintah
Indonesia
telah
berupaya mengurangi jumlah penderita
TB dengan memberikan penyuluhan
terhadap warga di Indonesia. Pemerintah
Indonesia pun bekerjasama dengan WHO
melaksanakan evaluasi bersama yang
menghasilkan rekomendasi perlunya
melakukan perubahan mendasar pada
strategi penanggulangan penyakit TB di
Indonesia.
Jawa Barat sebagai salah satu
wilayah dengan jumlah penduduknya
yang padat memiliki tingkat kerawanan
yang tinggi
terhadap penyebaran
penyakit,
diantaranya
penyebaran
penyakit TB. Wilayah Bogor yang
merupakan bagian dari provinsi Jawa
Barat memiliki potensi penyebaran
ancaman penyakit TB yang cukup
mengkhawatirkan. Hal ini dikarenakan
Bogor mempunyai wilayah yang sangat
luas terdiri dari kawasan industri dan
pemukiman penduduknya, alasan tersebut
menjadi alasan yang sangat mendukung
terhadap
perkembangan
bakteri
Mycobacterium tuberculosis secara cepat
dan terstruktur.
Tujuan Penelitian
Tujuan yang ingin dicapai dalam
penelitian ini yaitu untuk mengetahui
faktor-faktor yang paling mempengaruhi
ketahanan hidup pasien TB dengan model
regresi cox dan menghasilkan fungsi
hazard (kegagalan) untuk setiap pasien.
METODOLOGI PENELITIAN
Data
Data yang digunakan dalam
penelitian ini adalah data sekunder
mengenai waktu survival, usia, jenis
kelamin, tingkat pendidikan serta data
primer
yang
mengenai
sanitasi
lingkungan, kebiasaan merokok dan
pencahayaan rumah dari pasien TB yang
menjalani rawat inap di RS Paru Dr. M
Goenawan Partowidigdo Cisarua pada
bulan November 2015 sampai dengan
bulan Januari 2016.
Tahapan Analisis
Rangkaian
tahapan
analisis
survival dengan model regresi cox
diperlihatkan pada diagram alir dibawah
ini
2
Variabel
independen
yang
digunakan yaitu usia ( X 1 ), jenis
kelamin ( X 2 ), tingkat pendidikan
( X 3 ), sanitasi lingkungan ( X 4 ),
Mulai
Pengumpulan Data
Identifikasi Variabel
kebiasaan merokok
Analisis Deskriptif
pencahayaan rumah ( X 6 ).
Pendugaan Distribusi Data Menggunakan Uji Anderson-Darling
Estimasi fungsi hazard dan fungsi survival
Estimasi Parameter
Tidak
Pembentukan Model Awal Waktu Survival Menggunakan Regresi Cox
Uji Kelayakan Model
Uji Parsial
Uji Serentak
( X 5 ), dan
Apakah Model Layak ?
Ya
Interpretasi
Selesai
Gambar 1. Tahapan Analisis
1. Pengumpulan Data
Data yang digunakan yaitu berupa
data rekam medis penderita penyakit
TB.
3. Analisis Deskriptif
Untuk
mengetahui
karakteristik
penderita penyakit tuberculosis yang
dirawat di RS Paru Dr. Goenawan
Partowidigdo, maka langkah analisis
deskriptif yang dilakukan adalah :
a. Membuat
bar chart setiap
variabel
independen
untuk
mengetahui karakteristik pasien.
b. Menganalisis karakteristik pasien
berdasarkan nilai persentase pada
pie chart.
c. Dilakukan pendugaan distribusi
data
menggunkan
software
Minitab, sehingga dapat diketahui
jenis distrubusi data waktu
survival penderita tuberculosis.
Analisis–analisis tersebut sudah ada pada
opsion menu–menu dalam software
pengolahan data statistik yang sering
digunakan. Salah satu program olah data
yang sering digunakan adalah Minitab.
2. Identifikasi Variabel
Pada tahan 2 dilakukan identifikasi
variabel-variabel
yang
akan
dilibatkan dalam model. Terdapat dua
jenis variabel yang akan digunakan,
yaitu:
a. Variabel Dependen
Variabel
dependen
dalam
penelitian ini yaitu waktu yang
diperluan oleh pasien untuk
bertahan hidup dari waktu awal
(tanggal masuk pasien rawat inap
di RSPG Cisarua) hingga waktu
akhir (Tanggal akhir penelitian)
yang dilambangkan dengan huruf
“T” dan satuan waktunya adalah
hari.
b. Variabel Independen
4. Estimasi fungsi hazard dan fungsi
survival
Pada
tahap
ini
dilakukan
pendugaan
fungsi
hazard

f (t ) 
 h(t ) 
 dan fungsi survival
1  F (t ) 

( S (t ) = 1 - F (t ) ) dengan F (t )
merupakan fungsi kumulatif dari fungsi
kepadatan peluang suatu distribusi yang
akan dijadikan dasar dalam formulasi
model. Pendugaan fungsi hazard dan
fungsi survival dilakukan dengan
mengikuti
distribusi
yang
sudah
diperoleh pada tahap sebelumnya.
Pendugaan distribusi data menggunakan
Anderson-Darling. Menurut (Law dan
3
Kelton, 2000). Statistik ujinya adalah
sebagai berikut:
A
2
 n 
1
n
  


 ( 2i  1) ln F X i  ln 1  F X n 1i
pada tahap 3c. analisis waktu survival
dilakukan dengan metode regresi cox
terhadap
ketahan hidup pasien
tuberculosis

Data dapat dikatakan mengikuti
distribusi tertentu apabila nilai statistik
Anderson-Darling pada distribusi tersebut
semakin kecil.
7. Uji Kelayakan Model
Pada tahap ini dilakukan uji
kelayakan model terhadap model
regresi cox yang diperoleh pada tahap
sebelumnya.
a. Uji Serentak
Uji serentak ini digunakan untuk
mengetahui
apakah
variabel
independen yang digunakan pada
model berpengaruh signifikan
secara bersama-sama.
Hipotesis:
H0 : β1 = β2 = ··· =  p = 0
5. Dilakukan pendugaan nilai parameter
untuk parameter yang terdapan pada
ditribusi 3 parameter weibull.
Pendugaan parameter
dilakukan
menggunakan metode Maximum
Likelihood dan metode Newton
Raphson.
Langkah-langkah untuk menentukan
estimator maksimum dari  menurut
Widiharih (2003), yaitu:
a. Tentukan
fungsi
likelihood
H1 : paling sedikit ada satu  j ≠
0, dengan j = 1,2,··· ,p
Taraf Signifikan yang digunakan
pada penelitian ini yaitu 5% atau
α = 0,05
Statistik uji:
 l0 
2
X LR  2 ln 
 l   2(ln l1  ln l 0 )  2( L1  L0 )
 1
n
L(1 ,  2 ,..., k | X )   f ( xi | 1 ,  2 ,..., k )
i 1
~
b. Bentuk
log
l  log L(1 , 2 ,..., k | X )
likelihood
~
c. Tentukan turunan dari l terhadap

1 , 2 ,..., k ,
log L(1 , 2 ,..., k | X )
 i
~
Keputusan : tolak H0 jika nilai
2
  p2;
statistik uji X LR
d. Bentuk persamaan likelihood dan
selesaikan

log L(1 , 2 ,..., k | X )  0
 i
~
b. Uji Parsial
Uji Parsial untuk mengetahui
variabel independen mana yang
berpengaruh signifikan terhadap
model, maka langkah selanjutnya
adalah melakukan uji parsial
terhadap parameter-parameternya.
Hipotesis:
H0 :  j = 0
6. Pembentukan Model Awal Waktu
Survival Menggunakan Regresi Cox.
Sebelum
melakukan pemodelan
terhadap beberapa faktor yang diduga
mempengaruhi waktu survival pasien
tuberculosis,
terlebih
dahulu
dilakukan
pengujian
asumsi
pemodelan regresi cox. Apabila
asumsi pemodelan regresi cox dari
faktor-faktor yang telah diduga
terpenuhi, maka faktor-faktor tersebut
dapat dimodelkan sesuai distribusi
data waktu survival yang diperoleh
H1 :  j ≠ 0
Taraf Signifikan yang digunakan
pada penelitian ini yaitu 5% atau
α = 0,05
Statistik uji:
2
 ˆ j 
2
XW  

 SE ( ˆ j ) 
4
Keputusan : tolak H0 jika nilai
statistik uji X W2   l2;
kelamin
laki-laki
dan
tingkat
pendidikannya SD (Sekolah Dasar).
Apabila model layak maka parameter
yang ada dalam model signifikan dan
bisa dilakukan interpresi model,
sedangkan jika model dinilai tidak
layak maka proses formulasi model
perlu dilakukan kembali untuk
mendapatkan model yang paling
layak.
HASIL DAN PEMBAHASAN
Gambar 2. Sanitasi lingkungan, kebiasaan
merokok, dan pencahyaan rumah paien.
Analisis Deskriptif
Berikut adalah jumlah frekuensi
setiap usia pasien yang dikeolmpokkan.
Berdasarkan Gambar 2 dapat diketahui
bahwa pasien TB sebagian besar
mempunyai sanitasi lingkungan yang
baik, memiliki kebiasaan merokok dan
pencahayaan rumah yang bagus.
Tabel 1. Tabel Frekuensi Untuk Variabel
Usia
Kelas ke-
Usia
Batas Kelas
Frekuensi
1
9 th - 19 th
8.5 - 19.5
10
2
20 th - 30 th
19.5 - 30.5
15
3
31 th - 41 th
30.5 - 41.5
11
4
42 th - 52 th
41.5 - 52.5
25
5
53 th - 63 th
52.5 - 63.5
25
6
64 th - 74 th
63.5 - 74.5
10
7
75 th - 85 th
74.5 - 85.5
4
8
86 th - 96 th
85.5 - 96.5
Total
Pendugaan Distribusi Data
Tabel 2. Pengujian Distribusi Data
Distribusi
AndersonDarling
Signiifikan
5.695
0.473
2-Parameter Exponential
4.831
<0.010
3-Parameter Weibull
1.576
>0.500
0
Smallest Extreme Value
10.793
<0.010
100
Largest Extreme Value
1.6
0.116
3.295
>0.250
Normal
Berdasarkan Tabel 1 dapat diketahui
pasien TB yang menjalani rawat inap di
RSPG Cisarua Bogor sebagian besar
berusia 42-63 tahun dengan jumlah
frekuensi 50.
Logistic
Tabel 2. Menunjukkan bahwa nilai
Anderson-Darling yang paling kecil
terdapat pada distribusi 3-parameter
weibull, selain itu nilai signifikannya
lebih besar dari nilai  yaitu >0.500.
sehingga dapat dikatakan bahwa data
waktu survival pasien TB berdistribusi 3parameter weibull.
Estimasi Fungsi Hazard dan Fungsi
Survival
Data waktu survival pasien TB
yang berdistribusi 3-parameter weibull
mempunyai fungsi distribusi sebagai
berikut:
Gambar 1. Bar Chart Jenis Kelamin dan
Tingkat Pendidikan Paisen TB
Berdasarkan Gambar 2 diketahui bahwa
pasien TB sebagian besar bersjenis
5
( |
)
{
( )(
)
(
)
{ (
n
L ( ,  ,  )   f ( x |  ,  ,  )
t 1
) }

Fungsi kumulatifnya :
t
F ( t )   f ( x ) dx
0



 x  

exp 
  dx

    


  t    
 1  exp  
 
    
Fungsi Survival :
t
 
0
   x   
 

    
( 1)

  t    
 1  1  exp  
 
    


 t   

  exp  
 

    

Fungsi Hazard :
ln L (  ,  ,  )
( 1)
  t    
 
    
  t    
 exp  
 
    
   t   


    







n
n
 1
   x
exp  
i
t 1
t 1






 xi   


  



 xi   


  


 
n
  1  ln x i  
t 1


 xi   


  
n
 n  ln   
t 1
Fungsi ln-likelihood untuk estimasi
parameter  ,  , dan  merupakan
fungsi maksimum apabila dipenuhi
 ln L( ,  ,  ) 
 ln L( ,  ,  ) 
 0,
0


 ln L( ,  ,  ) 
, dan
 0 , sehingga

S (t )

n
n
n
 1
 n ln    ln x  
 n  ln   
i
t 1
t 1
 n ln  
f (t )
   t   
 

    
 
 n
 


 x  

exp 
 

    

Fungsi likelihood merupakan fungsi
eksponensial
sehingga
untuk
menyederhanakan
fungsi
tersebut
digunakakan fungsi ln-likelihood yaitu
S (t )  1  F (t )
h (t ) 
 1
x 


   

exp  

 ln L ( ,  ,  )
( 1)

 



n
1
  1 
t 1 x  
i



n
1
0  1 
t 1 x  
i
Estimasi Parameter
Dalam penelitian ini, fungsi
likelihood adalah PDF (Probability
Distribution Function) bersama distribusi
3 parameter weibull yang dinyatakan
dengan:





 ln L( ,  ,  ) 
n


  1



0
n



  1
 1
 xi   
 

 t 1   
 n
 1
 xi   
 

 t 1   
 n
 x
 x


i


i
Sistem persamaan diatas merupakan
sistem persamaan nonlinier yang sulit
dilakukan
penyelesaian
eksaknya,
sehingga
diperlukakn
penyelesaian
dengan pendekatan numerik, salah
satunya dengan metode newton-raphson.
6
Pada penilitian ini nilai estimasi
untuk parameter  ,  , dan  dapat
dilihat pada hasil output dari software
minitab sebagai berikut:
Dilakukan pengujian serentak dan
pengujian parsial terhadap model awal
regresi cox. Uji serentak ini digunakan
untuk mengetahui apakah variabel
independen yang digunakan pada model
berpengaruh signifikan secara bersamasama.
Tabel 3. Nilai Parameter untuk Distrubusi
3-Parameter Weibull
Distribution
Normal*
2-Parameter
Exponential
3-Parameter
Weibull
Smallest
Extreme
Value
Largest
Extreme
Value
Location
Shape
7.67
Scale
Hipotesis:
H 0 : Variabel yang digunakan tidak
berpengaruh secara bersama-sama
terhadap model .
H 1 : Paling sedikit ada satu variabel
yang digunakan berpengaruh
secara bersama-sama terhadap
model.
Taraf signifikan yang digunakan pada
penelitian ini yaitu 5% atau α = 0,05
Statistik uji:
2
X LR
 2 ( L1  L0 )
6.1645
1.3679
7.67
-0.00001
8.4863
-0.05489
11.19086
8.5988
5.19819
3.8072
6.67269
2.9797
Logistic
Threshold
Tabel 3 menunjukkan parameter dengan
shape
(parameter
bentuk),
scale
(parameter sakala) dan Threshold
(parameter
bobot)
masing-masing
bernilai 1.36794, 8.48634 dan -0.05489.
Pemodelan
Waktu
Menggunakan Regresi cox
 2 (92.346  84.801)
 2 (7.545)
Survival
 15.09
Model awal Regresi Cox dari
pasien ke-i dengan nilai parameter yang
dihasilkan
menggunakan
bantuan
software SPSS sebagai berikut:
Nilai L1 merupakan nilai -2 log
likelihood tanpa variabel dan L0
merupakan nilai -2 log likelihood dengan
variabel. Nilai-nilai tersebut dapat dilihat
pada hasil output dari SPSS sebagai
berikut:
Tabel 4. Nilai Parameter untuk Setiap
Variabel.
ˆ
Step 1
Usia
-.008
Jenis_Kelamin
-.195
Tingkat_Pendidikan
.392
Sanitasi_Lingkungan
1.633
Kebiasaan_Merokok
.744
Tabel 5. Nilai -2 Log Likelihood Setiap
Langkah
untuk
Pengujian
Secara
Serentah
Terhadap
Model
Step
-2 Log Likelihood
1
a
84.801
2
b
84.849
c
85.038
4
d
85.383
hi (t )  exp (0.008 x1  0.195 x2  0.392 x3
5
e
86.719
 1.633 x4  0.744 x5  0.686 x6 )h0 (t )
6
f
88.550
3
Berdasarkan Tabel 4 dapat menghasilkan
model awal sebagai berikut:
7
Tabel 6. Hasil Uji Parsial Terhadap
Model Pertama
Keputusan : tolak H 0 jika nilai statistik
2
  p2; .
uji X LR
Berdasarkan statistik uji secara
serentak terhadap model awal diperoleh
nilai sebesar 15,09. Nilai tersebut
dibandingkan dengan nilai  62;  yaitu
12,591587,
nilai
statistik
uji
menunjukkan lebih besar dibandingkan
dengan nilai  62;  maka tolak H 0 artinya
ada paling sedikit satu variabel yang
berpengaruh terhadap model yang
diperoleh. Setelah itu, dilakukan uji
parsial terhadap masing-masing variabel.
X
SE ( ˆ )
Nilai
Wald
Usia
-0.008
0.019
0.1773
Jenis Kelamin
-0.195
0.874
0.0498
Tingkat Pendidikan
0.392
0.296
1.7538
Sanitasi Lingkungan
1.633
0.662
6.0849
Kebiasaan Merokok
0.744
0.938
0.6291
Pencahayaan
-0.686
1.115
0.3785
Tabel 6 memperlihatkan bahwa
nilai statistik uji yang lebih besar
ditunjukkan pada variabel sanitasi
lingkungan dengan nilai yaitu 6.0849 dan
nilai yang paling kecil ditunjukan pada
variabel jenis kelamin dengan nilai
0.0498.
Berdasarkan keputusan dari hasil
uji secara serentak maka ada variabel
yang tidak berpengaruh secara signifikan
terhadap model awal yang dihasilkan.
Dilakukan metode backward untuk
mengeliminasi variabel yang tidak
signifikan terhadap model. Dengan
melihat nilai wald yang paling kecil dan
dibandingkan dengan nilai 12;0.05 yaitu
3.841, pada Tabel 3 Variabel jenis
kelamin yang memiliki nilai wald terkecil
diantara variabel lainnya. Nilai wald
untuk variabel jenis kelamin lebih kecil
dibandingkan dengan nilai 12;0.05 artinya
variabel jenis kelamin tidak memiliki
pengaruh yang signifikan terhadap model
dan variabel jenis kelamin tidak
digunakan pada model selanjutnya.
Setelah
mengeluarkan
satupersatu variabel-variabel yang nilai
signifikannya lebih dari 0.05 dengan
metode eliminasi backward, maka model
terbaik dan estimasi parameter yang
diperoleh adalah sebagai berikut:
Hipotesis:
H 0 :  j = 0 (tidak berpengaruh terhadap
model)
H 1 :  j ≠ 0 (berpengaruh terhadap
model)
Taraf signifikan yang digunakan pada
penelitian ini yaitu 5% atau α = 0,05
Statistik uji:
2
 ˆ j 
2
Xj 

 SE ( ˆ j ) 
2
usia
ˆ
Variabel
 ˆusia  2


ˆ
 SE (  usia ) 
  0.008 
2
X usia


 0.019 
2
X usia
 0.1773
Nilai statistik uji pada variabel
usia yaitu 0.1773, perhitungan yang sama
dilakukan
pada
variabel-variabel
berikutnya. Hasil dari perhitungan uji
statistik untuk setiap variabel dapat
dilihat pada Tabel 6.
2
  1.36794  t  0.05489 (1.36794 1) 

hi (t )  exp(1.237 x4 )   
  8.48634  8.48634 



8
Nilai estimasi parameter skala, bentuk
dan threshold untuk setiap pasiennya
sama. Dari hasil model regresi cox
tersebut dapat dijelaskan bahwa pasien
dengan sanitasi lingkungan baik memiliki
resiko tahan hidup dari penyakit TB
sebesar e1.237 atau sama dengan 3.44 kali
dari pasien yang sanitasi lingkungannya
kurang baik dan akan meningkatkan
fungsi hazard sebesar 3.44. Pada Gambar
4 akan diperlihatkan fungsi hazard untuk
setiap pasiennya.
PENUTUP
Kesimpulan
Kesimpulan yang dapat diambil
dari hasil analisis dan pembahasan pada
bab sebelumnya adalah Pasien penderita
TB yang menjalani rawat inap di Rumah
Sakit
Paru
Dr.
M
Goenawan
Partowidigdo pada bulan November
sampai bulan Januari tahun 2014
sebagian besar berusia 42-63 tahun,
berjenis kelamin laki-laki, pendidikan
terakhirnya sebagian besar SD (Sekolah
Dasar), pencahayan rumah bagus, sanitasi
lingkungannya baik, dan memiliki
kebiasaan merokok.
Berdasarkan hasil dari model
regresi cox diketahui bahwa sanitasi
lingkungan memiliki pengaruh yang
paling signifikan terhadap ketahanan
hidup pasien TB dengan fungsi hazard
yang mengikuti asumsi bahwa data
distribusi 3-Parameter Weibull yang
diperoleh dari hasil uji Anderson-Darling,
dan model regresi cox yang diperoleh
dari
pembahasan
sebelumnya
menunjukkan bahwa pasien yang
memiliki sanitasi lingkungan yang baik
memiliki resiko tahan hidup dari penyakit
TB sebesar 3.44 kali dari pasien yang
memiliki sanitasi lingkungan yang
kurang baik.
Gambar 4. Grafik Fungsi Hazard Untuk
Setiap Pasien Berdasarkan Sanitasi
Lingkungannya
Gambar 4 menunjukkan bahwa pasien
yang sanitasi lingkungannya kurang baik
memiliki fungsi hazard yang lebih tinggi
dengan nilai kumulatif hazardnya sebesar
1,232 dibandingkan dengan pasien yang
sanitasi lingkungannya baik artinya
pasien yang bersanitasi lingkungan
kurang baik memiliki resiko gagal untuk
bertahan hidup lebih tinggi dibandingkan
dengan
pasien
yang
berasnitasi
lingkungan baik.
Saran
Pada
penelitian
selanjutnya
disarankan untuk proses pengambilan
data seperti halnya melihat secara
langsung keadaan rumah dari pasien atau
penderita TB tersebut dan ada peranan
yang kuat antara ketahanan hidup pasien
TB dengan kebiasaan merokok karena
banyak dari masyarakat yang mengetahui
bahwa sebagian besar penderita TB
disebabkan oleh faktor kebiasaan
merokok, jika kebiasaan merokok tidak
memiliki pengaruh akan menimbulkan
asumsi
bahwa
merokok
tidak
menyebabkan seseorang menderita TB.
9
DAFTAR PUSTAKA
Law, A. M., & Kelton, D. W. (2000).
Simulation Modelling Analysis (3
th ed.). New York: MacGraw-Hill
Widiharih, T dan Suparti. 2003. Buku
Ajar Statistika Matematika II,
Laboratorium Statistika Jurusan
Matematika FMIPA UNDIP.
Semarang.
World Health Organization. Guidelines
for prevention of tuberculosis in
health care facilities in resource
limited
settings.
Geneva,
Switzerland:
WHO.1999.
http://whqlibdoc.who.int/hq/1999/
WHOTB99.269.pdf ,di akses 18
September 2015.
10