Publisher

UHNSUGRIWAUHNSUGRIWA

Journal Journal Informatics NiveditaJournal Informatics Nivedita Abstract

Analisis waktu tahan hidup (survival analysis) merupakan metode statistik yang digunakan untuk mempelajari faktor-faktor yang memengaruhi waktu hingga terjadinya suatu peristiwa tertentu, seperti kematian, penyakit, atau kekambuhan. Dalam konteks penderita stroke, identifikasi faktor signifikan yang memengaruhi waktu tahan hidup sangat penting untuk mendukung pengambilan keputusan medis dan intervensi klinis. Penelitian ini bertujuan untuk menerapkan metode Least Absolute Shrinkage and Selection Operator (LASSO) dalam menganalisis data waktu tahan hidup penderita stroke. Metode LASSO dipilih karena kemampuannya dalam melakukan seleksi variabel dan regularisasi secara simultan, sehingga mampu menghasilkan model yang sederhana namun akurat. Data yang digunakan mencakup variabel klinis dan demografis penderita stroke, dengan metode Kaplan-Meier digunakan untuk mengestimasi fungsi survival dan regresi Cox-LASSO untuk mengidentifikasi variabel-variabel signifikan. Data pasien yang ada dalam konteks data microarray dan terjadi multikolinearitas pada data pasien stroke. Untuk mengatasi adanya multikolinearitas dan overfitting, maka metode LASSO dapat digunakan untuk mengetahui faktor-faktor yang signifikan berpengaruh terhadap masa hidup penderita stroke, selain menggunakan regresi LASSO terhadap data microarray mengakibatkan tidak diketahuinya variabel bebas yang berkonstribusi terhadap variabel tak bebas. Pada penelitian ini, sebanyak tujuh data pasien digunakan dan dianalisis dengan menggunakan bantuan software R 2.12.1 dengan library lars. Data dianalisis dengan model regresi LASSO dengan struktur fungsi yang telah ada dalam paket R. Data-data yang dicari dalam analisis yaitu nilai estimasi parameter dengan matrik beta, nilai D dan nilai t. Nilai dari D ≤ t dan t ≥ 0 yang berarti batasan dari LASSO tersebut telah terpenuhi. Hasil penelitian menunjukkan bahwa metode LASSO efektif dalam menangani data dengan banyak prediktor serta mampu mengeliminasi variabel yang tidak signifikan, sehingga meningkatkan interpretabilitas model. Temuan ini diharapkan dapat memberikan kontribusi dalam pengelolaan klinis penderita stroke serta pengembangan kebijakan kesehatan berbasis data. Dari hasil penelitian diperoleh model masa tahan hidup pasien adalah faktor yang signifikan berpengaruh adalah kondisi awal pemeriksaan dan bagian saraf yang mengalami gangguan.

Conclusion

Regresi LASSO merupakan metode tepat digunakan untuk menyeesaikan masalah munculnya multikolinearitas dengan seleksi variabel independens.Regresi LASSO digunakan untuk menyelesaikan masalah overfitting saat data yang digunakan merupakan data microarray dengan cara pengerutan variabel bebas.Model yang diperoleh dengan menggunakan LASSO adalah , dimana model ini setara dengan peminimalan jumlah kuadrat galat ditambahkan dengan batasan LASSO yaitu D pada koefisien regresinya.

Future Research

Penelitian selanjutnya perlu dilakukan untuk mengeksplorasi lebih dalam mengenai penggunaan metode LASSO dalam konteks data kesehatan lainnya, seperti diabetes atau penyakit jantung, dengan menghimpun data yang lebih besar dan beragam. Selain itu, bagaimana faktor lingkungan dan genetik dapat berinteraksi dengan prosedur LASSO juga layak untuk diteliti, guna mendapatkan gambaran yang lebih utuh tentang pengaruhnya terhadap kesehatan. Terakhir, saran lain adalah pengembangan model prediksi yang lebih kompleks dengan memasukkan interaksi antar variabel independen, yang mungkin dapat memberikan insight baru dalam analisis kesehatan yang lebih detail.

Metadata

File size	338.72 KB
Pages	10
DMCA	Report