1.2.1 Metode Life Table

Salah satu metode yang dapat digunakan untuk mengestimasi waktu ketahanan dalam survival analysis adalah metode life table. Metode ini dikenal juga dengan metode Actuarial atau Cutler-Ederer. Untuk menggunakan metode ini, kita dapat menentukan interval waktu yang diinginkan. Ada beberapa asumsi yang harus dipenuhi untuk menggunakan metode ini, yaitu waktu awal pengamatan harus jelas, efek yang diteliti berskala nominal dikotom atau sebanding dengan skala kategorikal, risiko terjadi efek tidak bergantung pada kalender, kasus lost to follow harus independen terhadap efek, dan risiko untuk terjadi efek pada interval waktu yang dipilih dianggap sama.

1.2.2 Metode Kaplan-Meier

Metode lain yang bisa digunakan untuk mengestimasi waktu ketahanan adalah metode Kaplan Meier. Dalam metode ini, kita tidak mengelompokkan data berdasarkan interval tertentu dari waktu. Hal ini membuat kita bisa menggunakan metode ini untuk jumlah subjek yang sedikit dan efek yang dihitung tepat pada saat dia terjadi dengan estimasi bahwa kejadian tersebut sebanding dengan skala numerik. Metode Kaplan Meier bisa dibagi menjadi dua konsep sederhana, yaitu pasien yang tersensor dan peluang untuk hidup dua bulan sama dengan peluang hidup pada bulan pertama dikalikan dengan peluang hidup pada bulan kedua, dan seterusnya.

1.2.3 Metode Cox

Metode lainnya yang bisa digunakan adalah Regresi Cox. Metode ini merupakan metode yang lebih banyak digunakan jika dibandingkan dengan metode life table dan metode kaplan meier karena mengestimasi hazard ratio meskipun tidak diketahui ho (t), dapat mengestimasi nilai ho (t), h(t,X), dan fungsi survivor meskipun ho (t) tidak spesifik, serta hasil dari cox model hampir sama dengan hasil model parametrik. Metode ini merupakan metode survival analysis yang berfokus pada peluang kejadian yang akan terjadi atau dikenal dengan fungsi Hazard, sehingga metode ini juga dikenal dengan nama Proportional Hazard Model.

Sumber : DQLab.id

1.3.1 Contoh Penerapan

Dalam Dunia Kesehatan, survival model atau survival analysis berguna untuk:

• Memprediksi waktu bertahannya seseorang yang terkena kanker dari mulai pengobatan, perkembangannya, hingga kematian
• Meneliti kekambuhan suatu penyakit pada seseorang
• Meneliti berapa lama pasien bertahan hidup setelah menerima transplantasi hati
• Memprediksi waktu dari terdiagnosis terkena HIV hingga perkembangannya menjadi AIDS
• Memprediksi dari seseorang terkena suatu penyakit hingga sembuh atau meninggal
• Mengetahui respon seseorang tehadap pengobatan yang diberikan, misalnya pengaruh kemoterapi yang dijalani terhadap pasien yang mengalami leukemia

Sumber: statisticshowto, clinicaloncologyonline

1.3.2 Analisis Kelangsungan Hidup pada Pasien Kanker Paru-Paru

Artikel yang diambil adalah artikel mengenai kanker paru paru yang berjudul Analisis kelangsungan hidup pada pasien kanker paru-paru dengan penyakit paru interstisial.

Dari artikel tersebut didapat beberapa hal sebagai berikut.

• Survival analysis dapat digunakan untuk memprediksi kelangsungan hidup pasien kanker. Salah satunya dimana pasien kanker paru dengan penyakit paru interstitial (ILD) yang rentan terhadap morbiditas dan mortalitas yang lebih tinggi dan pengobatannya menantang.
• Tujuan penelitian ini adalah untuk mengetahui apakah kelangsungan hidup pasien kanker paru dipengaruhi oleh adanya ILD yang terdokummentasi pada CT.
• Model yang digunakan adalah Kaplan-Meier dan regresi cox yang digunakan untuk menilai probabilitas hidup dan bahaya kematian dari kelompok yang berbeda.
• Hasil yand didapat adalah bahaya kematian di antara pasien dengan ILD adalah 1,522 kali di bandingkan pasien tanpa ILD.
• Sehingga disimpulkan pasian dengan kanker paru dengan penyakin paru interstisial memiliki kelangsungan hidup yang secara signifikan lebih pendek dibandingkan dengan pasian dengan kanker paru saja.

Sumber : journal.plos.org

1.4.1 Contoh Penerapan

Dalam Dunia Bisnis, survival model atau survival analysis berguna untuk:

• Equipment Failure Analysis

Kita dapat menciptakan model untuk menunjukkan waktu yang dibutuhkan oleh mesin hingga mengalami kerusakan. Dengan mengumpulkan dan menganalisis data, kita bisa mengetahui secara tepat kapan mesin akan mengalami kerusakan dan atribut apa yang berpeluang besar menjadi penyebabnya. Dengan mengetahui kapan, kenapa, bagaimana, dan apa penyebab kegagalan tersebut, sehingga kita bisa mengambil langkah tepat untuk menghindari terulangnya kejadian tersebut dan meningkatkan efisiensi proses dalam manufaktur.

• Demand Forecasting

Pada era Industri 4.0 saat ini, bisnis bergerak dengan sangat dinamis. Kebutuhan dan permintaan customer pun terus berubah seiring waktu. Memantau keinginan customer yang terus berubah kini menjadi hal yang sangat penting bagi bisnis. Dengan menggunakan Survival Analysis kita dapat memperkirakan demand berdasarkan data-data historis. Sehingga, dapat dilakukan perencanaan produk, manajemen inventaris, dan pengadaan barang

• Customer Lifetime Value (LTV)

LTV dapat menjadi indikator berapa lama customer akan bersedia membayar untuk menggunakan produk atau layanan kita. Dengan mengetahui LTV, sebuah bisnis juga bisa memperkirakan saat pemasukan dari salah satu kelompok pelanggan berkurang. Apakah ada langkah yang bisa diambil untuk memperbaiki keadaan tersebut?

• Memprediksi kapan dan seperti apa probabilitas Customer Churn

Dalam kasus customer churn, dapat digunakan analisis retention. Dimana yang ingin kita pahami adalah bagaimana cara memodelkan retention rate untuk keseluruhan user, serta bagaimana perbedaan perilaku di setiap kelompok. Misalnya bulan apa mereka mulai bergabung, negara asal, gadget yang digunakan, dan lain sebagainya. Kamu tidak hanya ingin memprediksi atau memahami kapan customer akan ‘Churn’, tapi juga kapan dan seperti apa probabilitas ‘Churn’ dari waktu ke waktu.

Sumber : Algorit.ma

1.4.2 Prediksi Perbaikan Layanan Menggunakan Survival Analysis

Dalam kasus bisnis, saya menemukan artikel mengenai Prediksi Perbaikan Layanan Menggunakan Survival Analysis.

Dari artikel tersebut didapatkan beberapa hal berikut:

• Survival Analysis dapat digunakan untuk manajemen hubungan pelanggan. Dimana tujuan utamanya adalah meningkatkan retensi pelanggan dengan meningkatkan kepuasan pelanggan. Untuk meningkatkan hal itu diperlukan evaluasi layanan dengan metode Survival Analysis untuk mengetahui menurunnya kepuasan pelanggan berdasarkan menurunnya rentensi pelanggan.

• Tujuan utama penelitian dalam artikel ini adalah untuk menilai variabel layanan yang dianggap penting oleh pelanggan dan memprediksi perlunya perbaikan layanan berdasarkan metode analisis yang dilakukan yaitu retention curve, hazard curve, dan survival curve

• Analisis dilakukan mulai dari pengambilan sampel dari data yang didapat dengan metode kuesioner dimana data bebrisi data pemesanan tiap produk, menentukan tingkat bertahan produk dipesan oleh pelanggan, survival data, survival analisis untuk semua pelanggan dengan menentukan tingkat retensi pelanggan, menghitung tingkat bertahan tiap waktu, menghitung Hazard tiap waktu, memprediksi apakah perlu dilakukan perbaikan, menentukan perbaikan layanan, perbaikan layanan sesuai variabel layanan yang penting untuk pelanggan yang paling bernilai.

• Dari hasilnya didapatkan bahwa pelanggan menilai variabel layanan kehandalan dan jaminan merupakan variabel layanan yang sangat penting. Retention rate dan survival rate menurun serta Hazard rate meningkat menunjukkan bahwa perusahaan perlu melakukan perbaikan layanan.

Sumber : SM for Perbaikan Layanan