ID (Indonesia) Translation

R - Analisis Survival: Panduan untuk Pemula

Halo, para peneliti data yang bersemangat! Hari ini, kita akan melangsungkan perjalanan menarik ke dunia analisis survival menggunakan R. Jangan khawatir jika Anda belum pernah menulis baris kode sebelumnya - saya akan menjadi panduan ramah Anda di setiap langkah. Ayo masuk ke dalamnya!

Apa Itu Analisis Survival?

Sebelum kita mulai mengoding, mari pahami apa yang dimaksudkan dengan analisis survival. Bayangkan Anda adalah dokter yang mempelajari berapa lama pasien hidup setelah pengobatan tertentu. Atau mungkin Anda adalah analis bisnis yang memeriksa berapa lama pelanggan tetap bersama sebelum membatalkan langganan. Itu adalah tempat analisis survival berguna!

Analisis survival membantu kita menjawab pertanyaan seperti:

• Berapa lama hingga peristiwa terjadi?
• Apa faktor-faktor yang mempengaruhi waktu hingga peristiwa?
• Bagaimana perbandingan kelompok-kelompok berdasarkan waktu survival?

Sekarang, mari kita meraba-raba beberapa kode R!

Menginstal dan Memuat Paket Yang Diperlukan

Hal pertama yang harus Anda lakukan adalah menginstal dan memuat paket yang diperlukan. Dalam R, paket adalah seperti kotak alat yang berisi fungsi-fungsi yang berguna untuk tugas-tugas tertentu.

# Instal paket 'survival'
install.packages("survival")

# Muat paket
library(survival)

Jangan khawatir jika Anda melihat beberapa pesan muncul saat Anda menjalankan perintah ini. Selama tidak ada pesan kesalahan berwarna merah, Anda berada dalam keadaan baik!

Memuat dan Mengeksplor Data

Untuk tutorial ini, kita akan menggunakan dataset bawaan yang disebut 'lung' dari paket survival. Dataset ini berisi informasi tentang pasien dengan kanker paru tingkat lanjut.

# Muat dataset lung
data(lung)

# Lihat beberapa baris pertama
head(lung)

# Dapatkan ringkasan dataset
summary(lung)

Saat Anda menjalankan perintah ini, Anda akan melihat cuplikan data. Waktu untuk familiarisasi diri Anda dengan variabel-variabel ini. Kita akan bekerja dengan:

• 'time': waktu survival dalam hari
• 'status': status sensor (1=disensor, 2=meninggal)
• 'age': umur pasien
• 'sex': jenis kelamin pasien (1=laki-laki, 2=perempuan)

Membuat Objek Survival

Sekarang, mari kita buat objek survival. Ini adalah objek khusus R yang menggabungkan waktu survival dan status peristiwa.

# Buat objek survival
surv_object <- Surv(time = lung$time, event = lung$status == 2)

# Tampilkan beberapa entri pertama
head(surv_object)

Anda akan melihat deret angka dengan tanda '+' di akhir. Tanda '+' menunjukkan observasi yang disensor (pasien yang masih hidup pada akhir penelitian).

Kurva Survival Kaplan-Meier

Salah satu visualisasi paling umum dalam analisis survival adalah kurva Kaplan-Meier. Ini menunjukkan probabilitas survival sepanjang waktu.

# Fit kurva Kaplan-Meier
km_fit <- survfit(surv_object ~ 1, data = lung)

# Gambar kurva
plot(km_fit, main = "Kurva Survival Kaplan-Meier",
xlab = "Waktu (hari)", ylab = "Probabilitas Survival")

Voila! Anda baru saja membuat kurva survival pertama Anda. Sumbu Y menunjukkan probabilitas survival, dan sumbu X menunjukkan waktu dalam hari. Kurva turun setiap kali terjadi peristiwa (kematian).

Membandingkan Kelompok: Laki-laki vs Perempuan

Mari kita bandingkan kurva survival untuk laki-laki dan perempuan.

# Fit kurva Kaplan-Meier berdasarkan jenis kelamin
km_sex <- survfit(surv_object ~ sex, data = lung)

# Gambar kurva
plot(km_sex, col = c("blue", "red"), main = "Kurva Survival berdasarkan Jenis Kelamin",
xlab = "Waktu (hari)", ylab = "Probabilitas Survival")
legend("topright", c("Laki-laki", "Perempuan"), col = c("blue", "red"), lty = 1)

Sekarang Anda memiliki dua kurva: biru untuk laki-laki dan merah untuk perempuan. Anda bisa melihat ada perbedaan?

Model Hazard Proporsional Cox

Akhirnya, mari kita fit model hazard proporsional Cox. Model ini membantu kita memahami bagaimana faktor-faktor berbeda mempengaruhi survival.

# Fit model hazard proporsional Cox
cox_model <- coxph(surv_object ~ age + sex, data = lung)

# Tampilkan ringkasan
summary(cox_model)

Jangan takut dengan output ini! Berikut adalah apa yang Anda cari:

• Kolom 'coef' menunjukkan efek setiap variabel.
• Kolom 'exp(coef)' mudah untuk ditafsirkan: nilai > 1 menunjukkan risiko meningkat, < 1 menunjukkan risiko menurun.
• Kolom 'Pr(>|z|)' menunjukkan nilai p. Nilai kecil (< 0.05) menunjukkan signifikansi statistik.

Kesimpulan

Selamat! Anda baru saja menyelesaikan analisis survival pertama Anda dalam R. Kita telah menempuh banyak hal, dari membuat objek survival hingga memfit model kompleks. Ingat, latihan membuat mahir. Cobalah untuk memainkan kode, mengubah variabel, dan lihat apa yang terjadi.

Berikut adalah ringkasan fungsi utama yang kita gunakan:

Fungsi	Tujuan
Surv()	Buat objek survival
survfit()	Fit kurva survival
plot()	Visualisasikan kurva survival
coxph()	Fit model hazard proporsional Cox

Terus eksplorasi, terus belajar, dan yang paling penting, bersenang-senang dengan R dan analisis survival!

Credits: Image by storyset