Jenis-Jenis Sensoring

Ada tiga jenis utama sensoring dalam analisis survival:

1. Right-Sensoring: Kejadian belum terjadi saat observasi berakhir. Waktu survival hanya diketahui secara minimal (lebih dari nilai tercatat).
Contoh: studi selesai setelah 5 tahun, pasien masih hidup → disensor di 5 tahun.

• Type I: observasi berakhir pada waktu tetap (end-of-study) atau dropout acak independen.
  
• Type II: studi berakhir setelah jumlah event tertentu tercapai.

2. Left-Sensoring : Kejadian sudah terjadi sebelum observasi dimulai. Waktu survival hanya diketahui secara maksimal (kurang dari nilai tercatat).
Contoh: pasien sudah terinfeksi sebelum tes pertama dilakukan.

3. Interval-Sensoring: Kejadian terjadi dalam interval waktu tertentu, tetapi waktu pasti tidak diketahui.
Contoh: pasien dicek setiap 6 bulan; event terjadi antara kunjungan ke-2 dan ke-3.

Sensoring harus independen/non-informatif (tidak bergantung pada risiko event) agar analisis tetap valid. Jika sensoring informatif (misalnya pasien keluar karena kondisi semakin buruk), hasil analisis bisa bias. Sensoring menyebabkan data tidak dapat dianalisis dengan statistik biasa seperti uji hipotesis karena berpotensi menimbulkan bias jika diabaikan. Analisis survival dirancang khusus untuk menangani hal ini sehingga estimasi probabilitas survival tetap akurat.

4.1 Penerapan di Bidang Kesehatan

Digunakan untuk memodelkan kelangsungan hidup pasien atau waktu hingga kesembuhan.

• Contoh: Prediksi survival pasien kanker payudara berdasarkan usia, stadium penyakit, dan jenis terapi. Hasil analisis menunjukkan pasien dengan terapi hormon tertentu memiliki risiko kematian lebih tinggi.
  
• Metode utama: Kaplan-Meier untuk membuat kurva survival, Cox Proportional Hazards untuk menghitung hazard ratio, serta Random Survival Forests untuk data yang lebih kompleks.

4.2 Penerapan di Bidang Bisnis & Keuangan

Digunakan untuk memprediksi churn pelanggan, waktu gagal bayar kredit, atau nilai lifetime pelanggan.

• Contoh: Di perusahaan telekomunikasi, pelanggan dengan biaya bulanan tinggi cenderung churn lebih cepat, sehingga perusahaan bisa menawarkan diskon tepat waktu untuk mempertahankan mereka.
  
• Metode utama: Kaplan-Meier untuk kurva churn, Cox Proportional Hazards untuk mengidentifikasi faktor risiko, serta Gradient Boosting Survival untuk prediksi yang lebih akurat.

4.3 Penerapan di BidangE-commerce & Marketing

Digunakan untuk menganalisis waktu hingga pembelian pertama atau pembelian ulang.

• Contoh: Pembeli produk gadget cenderung melakukan pembelian ulang lebih cepat dibandingkan pembeli fashion, sehingga timing kampanye bisa disesuaikan agar lebih efektif.
  
• Metode utama: Kaplan-Meier untuk menghitung probabilitas pembelian ulang, Cox Proportional Hazards untuk efek channel pemasaran, serta DeepSurv untuk prediksi yang lebih personal.

4.4 Penerapan di Bidang Manajemen SDM

Digunakan untuk memprediksi retensi karyawan atau waktu hingga promosi.

• Contoh:Karyawan dengan jarak kerja jauh memiliki risiko turnover dua kali lebih tinggi, sehingga perusahaan bisa membuat strategi retensi khusus untuk kelompok tersebut.

• Metode utama: Kaplan-Meier untuk kurva retensi, Cox Proportional Hazards untuk hazard ratio faktor seperti gaji atau jenis kontrak, serta Survival Trees untuk membagi karyawan berdasarkan tingkat risiko.

4.5 Penerapan di Bidang Industri & Teknik

Digunakan untuk predictive maintenance, yaitu memprediksi waktu hingga kerusakan mesin.

• Contoh: Di pabrik, model memprediksi kegagalan elektroda sehingga jadwal maintenance bisa dibuat secara dinamis dan mengurangi downtime hingga 25%.
  
• Metode utama: Random Survival Forests dan Gradient Boosting Survival untuk model non-linier, serta Cox Proportional Hazards untuk mengintegrasikan data dari sensor.

5.1 Data Sensoring

Berikut adalah contoh data sensoring dalam bidang kesehatan, yaitu Simplified Survival Data. Dataset sederhana ini menggambarkan waktu hingga terjadinya suatu kejadian (time-to-event) pada beberapa subjek (misalnya Person A, Person B, Person C, dan seterusnya). Variabel utama dalam dataset ini meliputi:

• Time: durasi waktu (minggu) hingga kejadian atau akhir observasi (numerik).

• Status: indikator censoring (1 = kejadian terjadi/event, 0 = censored/ke jadian belum terjadi).

Dataset ini disebut data sensoring karena mengandung sensoring (status = 0): untuk subjek tertentu, kita hanya tahu waktu survival “minimal” (lebih dari nilai time), bukan waktu pasti kejadian, sebab observasi berakhir lebih dulu (misalnya pasien masih hidup). Inilah contoh klasik yang menunjukkan kenapa analisis survival diperlukan karena sensoring harus ditangani khusus agar estimasi tidak bias.

5.2 Data Non Sensoring

Berikut adalah contoh data non-sensoring dalam bidang kesehatan, yaitu SA-Data (Survival Analysis - Example Data). Dataset buatan sederhana ini menggambarkan waktu hingga terjadinya suatu kejadian (time-to-event) pada dua kelompok perlakuan (test group dan placebo group). Variabel utama dalam dataset ini meliputi:

• Time: durasi waktu hingga kejadian atau akhir observasi (numerik).
• Status: indikator kejadian (1 = kejadian terjadi/event, 0 = censored/ke jadian belum terjadi).
• Group: kelompok perlakuan (test atau placebo).

Dataset ini disebut non-sensoring (minim sensoring) karena sensoring (status = 0) tidak dominan, dataset sangat kecil dan sederhana, serta sensoring mudah difilter (hanya ambil baris status = 1) sehingga waktu menjadi fully observed (waktu pasti hingga kejadian).