METODE PENELITIAN 4.1 Rancangan Penelitian
4.7 Teknik Analisis Data
Analisis dalam penelitian ini menggunakan survival analysis yang bertujuan untuk melihat lama waktu terjadinya LTFU pada setiap subyek yang tidak sama menggunakan software STATA SE 12 . Makadari itu penelitian ini didapatkan nilai insiden rate LTFU per 100 person years dan hazard ratio. Selain itu diperoleh
median time terjadinya LTFU dari awal tahun pasien menggunakan ARV sampai
akhir tahun pengamatan. Penelitian ini menggunakan analisa univariat, bivariat dan mulitivariat.
4.7.1 Analisis univariat
Analisa univariat dilakukan untuk mendeskripsikan karakteristik setiap variabel yang diteliti yaitu umur, jenis kelamin, status bekerja, pendidikan, status menikah, pengawas minum obat, risiko penularan HIV, infeksi oportunistik, jumlah CD4, kadar haemoglobin, stadium klinis WHO, berat badan, status fungsional, status TB, golongan NRTI, dan golongan NNRTI, jenis tempat layanan ARV, dan
kebijakan pedoman ARV. Ringkasan statistik disajikan dalam bentuk distribusi frekuensi yaitu proporsi atau mean untuk variabel dengan skala nominal dan ordinal, mean (standar deviasi) atau median (IQR) untuk variabel kontinyu dengan skala interval. Uji normalitas diperlukan pada variabel kontinyu untuk menentukan penyajian distribusi frekuensi, jika ditribusi normal disajikan dalam bentuk mean dan standar deviasi sedangkan distribusi tidak normal disajikan dalam bentuk median dan IQR. Median time LTFU ditampilkan dalam nilai median dan inter IQR yang menampilkan persentil ke 25% sampai 75% waktu LTFU. Kondisi klinis saat akhir pengamatan, status rawat, entry point, dan kepatuhan juga dianalisa secara deskriptif yang menghasilkan distribusi frekuensi dan persentase.
Analisis univariat juga dilakukan dengan analisis survival untuk mengetahui
median time dan insiden rate terjadinya LTFU pada pasien HIV/AIDS dengan terapi
ARV. Namun nilai median hanya dapat dihitung apabila sekurangnya 50% pasien yang menerima terapi ARV mengalami LTFU. Apabila kondisi ini tidak terpenuhi maka nilai median ini dapat digantikan dengan quartile 1 survival yang artinya 25% subyek mengalami event (loss to follow up). Hasil analisis juga digambarkan dalam grafik Kaplan-Meier untuk menggambarkan lama waktu terjadinya LTFU (time to
event). Data missing menjadi sensor dalam analisis survival ini.
4.7.2 Analisis bivariat
Analisis bivariat dilakukan untuk melihat signifikan hubungan antara variabel independen yaitu umur, jenis kelamin, status bekerja, pendidikan, status menikah,
pengawas minum obat, risiko penularan, infeksi oportunistik, jumlah CD4, kadar haemoglobin, berat badan, stadium klinis WHO, status fungsional, status TB, golongan NRTI dan golongan NNRTI, jenis tempat layanan ARV, dan kebijakan terapi dengan variabel dependent yaitu LTFU. Hasilnya disajikan dalam bentuk tabulasi silang. Survival analysis digunakan untuk menganalisis waktu terjadinya LTFU. Variabel independen yang dibandingkan sesuai dengan pengkategorian untuk melihat perbedaan antara dua kelompok. Dalam uji ini dihasilkan nilai p dan survival
rate yang digunakan untuk melihat kemaknaan perbedaan antar kelompok. Nilai crude Hazard Ratio (HR), p spesifik, dan p dari crude HR dari setiap variabel
independen terhadap LTFU dilakukan dengan Cox Proportional Hazard Model dengan tingkat kepercayaan 95%.
Nilai p untuk crude HR diperoleh dengan melakukan tes parm bila variabel independen berskala nominal dengan tiga atau lebih kategori dan menggunakan test
for trend bila data berskala ordinal atau interval yang dikategorikan menjadi dua atau
lebih kategori. Nilai p untuk crude HR ini digunakan untuk melihat kemaknaan variabel independen terhadap kejadian LTFU. Pada saat analisis untuk memperoleh p
crude untuk HR, data pasien yang missing dikeluarkan dari model analisis sehingga
data missing tidak mempengaruhi hasil analisis. Analisis memberikan makna signifikan bila p untuk crude HR < 0.05. Nilai HR digunakan untuk melihat besarnya pengaruh variabel independen terhadap LTFU. Bila HR >1 menunjukkan bahwa variabel yang diteliti meningkatkan risiko LTFU, bila HR <1 menunjukkan bahwa
variabel yang diteliti menurunkan risiko LTFU, bila HR=1 menunjukkan bahwa variabel yang diteliti tidak berhubungan terhadap LTFU.
4.7.3 Analisis multivariat
Analisis mulitivariat dilakukan untuk melihat hubungan yang paling kuat dan paling berpengaruh terhadap LTFU dari beberapa variabel yang memiliki hubungan di analisa bivariat. Analisis Cox Regression digunakan untuk mengetahui besarnya hubungan antara LTFU dengan variabel independen yang mempengaruhi secara bersama-sama. Variabel dependen dimasukkan bersama-sama dengan variabel
independent. Uji kolinearitas dilakukan pada semua variabel yang masuk ke model.
Syarat variabel independen yang dimasukkan ke dalam model adalah variabel pada analisis bivariat memiliki nilai p < 0,25. Sebelum masuk ke model multivariat, dilakukan uji kolinearitas pada masing-masing variabel independen yang memenuhi syarat untuk masuk ke model multivariat. Metode seleksi yang digunakan adalah metode backward dimana satu persatu variabel yang tidak signifikan dikeluarkan dari model sampai diperoleh model akhir.
Pada analisis ini diperoleh pengaruh antara variabel dependen dengan variabel independen dilihat dari nilai Adjusted Hazard Ratio (AHR), nilai p spesifik, tingkat kepercayaan 95% dikatakan signifikan jika nilai p < 0,05. Variabel dengan lebih dari dua kategori, nilai p dari adjusted HR dihitung dengan testparm untuk skala nominal dan test trend untuk skala ordinal. Ho ditolak bila p < 0,05 dan nilai HR ≠ 1 dengan 95% CI dari HR, dimana 1 berada di luar CI. HR <1 berarti variabel tersebut dapat
menurunkan risiko untuk LTFU, HR >1 menunjukkan bahwa variabel tersebut dapat meningkatkan risiko LTFU, sedangkan HR=1 berarti variabel tersebut tidak berhubungan dengan LTFU.
Model akhir pada uji ini diperoleh AHR yang digunakan untuk melihat besarnya pengaruh variabel independen terhadap kejadian LTFU pasien HIV/AIDS dengan terapi ARV setelah dilakukan pengontrolan pada variabel lainnya. Uji
propotional hazard dilakukan pada model multivariat yang terakhir yang bertujuan
untuk mengecek proportional model yang dihasilkan dimana model dikatakan proportional bila memiliki nilai p > 0,05.
BAB V