Pemodelan Regresi Cox Proportional Hazard Pada Data Ties Dengan Metode Estimasi Partial Likelihood Efron Dan Partial Likelihood Exact

Latar Belakang. Analisis survival adalah metode yang digunakan untuk menganalisis data terkait waktu sampai terjadinya suatu peristiwa, seperti kematian dan waktu pemulihan penyakit. Salah satu metode yang digunakan dalam analisis survival adalah regresi cox proporsional hazard. Metode tersebut mengidentifikasi variabel-variabel yang memengaruhi waktu survival. Dalam data survival sering ditemukan ties, yaitu kondisi data yang memiliki waktu survival yang sama. Sehingga berpotensi memengaruhi proses estimasi parameter dalam regresi cox proportional hazard. Data survival yang memuat ties dapat ditemukan pada data rekam medis pasien Diabetes Melitus Gestasional di Rumah Sakit Ibu dan Anak Sitti Khadijah I Muhammadiyah periode januari 2021 – Desember 2022. Penanganan ties pada data tersebut dilakukan menggunakan estimasi partial likelihood Efron dan Exact. Tujuan. Penelitian ini bertujuan mengetahui faktor-faktor yang memengaruhi waktu survival pasien Diabetes Melitus Gestasional dengan metode regresi cox proportional hazard dengan pendekatan Efron dan Exact. Metode. Analisis yang dilakukan yaitu membentuk model cox proportional hazard dari kedua estimasi tersebut dan melakukan perbandingan model terbaik berdasarkan nilai Akaike Information Criterion terkecil/AIC. Hasil. Model terbaik berdasarkan kriteria AIC terkecil (484.8497) adalah model regresi cox proportional hazard dengan estimasi partial likelihood Exact, dibandingkan dengan model regresi cox proprotional hazard dengan Efron (nilai AIC sebesar 783.2052). Kesimpulan. Model regresi Cox proportional hazard dengan estimasi partial likelihood Exact lebih baik dalam menangani ties pada data pasien Diabetes Melitus Gestasional dibandingkan dengan estimasi partial likelihood Efron. Hasil analisis menunjukkan bahwa faktor yang berpengaruh secara signifikan terhadap waktu survival pasien Diabetes Melitus Gestasional, yaitu Faktor Usia, Berat Badan, Tinggi Badan, dan Indeks Massa Tubuh