Mesin Vektor Pendukung untuk Analisis Survival=Support Vector Machine for Survival Analysis

Latar Belakang: Meningkatnya penggunaan data survival dengan pola hubungan yang kompleks antarvariabel prediktor menimbulkan tantangan baru bagi metode statistik yang umum digunakan. Ketidakterpenuhan asumsi linearitas, adanya multikolinearitas, serta asumsi proportional hazard menyebabkan model Cox Proportional Hazard Regression (CPHR) sering menghasilkan kinerja yang kurang optimal. Kondisi ini mendorong perlunya pendekatan machine learning dalam menangani kompleksitas data survival, khususnya pada data dengan ketidakseimbangan antara status tersensor dan event. Tujuan: Penelitian ini bertujuan mengembangkan model Survival Weighted Least Square Support Vector Machine (Surv-WLSSVM) menggunakan pembobotan estimator Kaplan–Meier. Selain itu, tujuan dari penelitian ini adalah mengevaluasi model yang dikembangkan dan membandingkan kinerjanya dengan model tanpa pembobotan yakni Survival Least Squares Support Vector Machine (Surv-LSSVM), Random Survival Forest (RSF), dan Cox Proportional Hazard Regression (CPHR). Metode: Penelitian menggunakan data simulasi dengan berbagai skenario jumlah variabel, ukuran sampel, dan persentase data tersensor, serta data riil. Tahapan penelitian meliputi pembangkitan data simulasi dan prapemrosesan data riil, integrasi kernel Gaussian Radial Basis Function (RBF) dan tuning parameter berbasis algoritma Particle Swarm Optimization (PSO) pada model Surv-LSSVM sebagai model dasar, serta mengembangkan model Surv-WLSSVM berbasis pembobotan estimator Kaplan-Meier. Kinerja model diukur dengan Concordance Index (c-index). Hasil: Hasil penelitian menunjukkan bahwa model Surv-WLSSVM menghasilkan nilai c-index yang lebih besar dibandingkan model tanpa pembobotan, dengan perbedaan kinerja yang signifikan berdasarkan uji Wilcoxon signed-rank. Model Surv-WLSSVM menghasilkan kinerja yang lebih baik dengan nilai rata-rata c-index di atas 70% dan cenderung meningkat seiring bertambahnya persentase data tersensor bahkan mencapai lebih dari 90%. Kemampuan model Surv-WLSSVM dalam menghasilkan indeks prognostik menunjukkan kinerja yang lebih baik, dengan tingkat kesesuaian urutan yang lebih tinggi terhadap waktu survival. Nilai indeks prognostik yang lebih besar mengindikasikan risiko terjadinya event yang lebih tinggi dan berkaitan dengan waktu survival yang lebih pendek. Aplikasi pada data pemberian ASI eksklusif di Indonesia menunjukkan bahwa model mampu memberikan interpretasi risiko yang jelas terkait keberlangsungan pemberian ASI eksklusif. Hasil ini menunjukkan bahwa model yang dikembangkan relevan secara aplikatif dalam mengidentifikasi kelompok dengan risiko tinggi dan rendah. Kesimpulan: Model Surv-WLSSVM berbasis pembobotan estimator Kaplan–Meier dengan tuning parameter menggunakan PSO merupakan pendekatan yang mampu meningkatkan kinerja analisis survival, terutama dalam mengatasi keterbatasan metode konvensional dan ketidakseimbangan data tersensor. Model ini menghasilkan nilai c-index yang lebih tinggi, meningkatkan kemampuan pengurutan individu berdasarkan waktu survival, serta memberikan interpretasi risiko yang lebih baik melalui indeks prognostik.