ANALISIS DAYA TAHAN PADA KASUS KEMATIAN BAYI DI INDONESIA DENGAN SURVIVAL TREE DAN RANDOM SURVIVAL FOREST

Abstract

Pembangunan kesehatan merupakan aspek penting dalam pembangunan nasional karena kesehatan yang baik berperan penting dalam pembangunan manusia yang berkelanjutan. Penurunan angka kematian, termasuk Angka Kematian Bayi (AKB), menunjukkan peningkatan status kesehatan masyarakat sebagai manifestasi keberhasilan pembangunan nasional. AKB di Indonesia dalam 50 tahun terakhir telah menurun secara signifikan sebesar 90%, namun masih jauh dari target tahun 2030. Tindakan pencegahan diperlukan untuk lebih menekan AKB. Penelitian ini bertujuan untuk memodelkan kematian bayi di Indonesia dengan menerapkan Survival Tree dan Random Survival Forest pada data kelangsungan hidup bayi. Berbeda dengan regresi Cox yang terbatas oleh asumsi proportional hazards, metode ini tidak memerlukan asumsi sebaran apapun dan dapat secara otomatis menangkap interaksi antara peubah dan pola hazard yang kompleks tanpa menyatakan interaksi sebelumnya. Hasil penelitian menunjukkan bahwa model terbaik adalah model Random Survival Forest setelah hyperparameter tuning dengan concordance index (c-index) sebesar 0,808. Berdasarkan tingkat kepentingan peubah dari model terbaik, diperoleh peubah imunisasi, perilaku merokok ibu, berat badan lahir rendah, dan status ibu bekerja, sebagai empat peubah yang paling penting untuk memprediksi kelangsungan hidup bayi.

Health development is a crucial aspect of national development, as good health plays an important role in sustainable human development. A decrease in mortality rates, including the Infant Mortality Rate (IMR), indicates an improvement in public health status as a manifestation of successful national development. Over the past 50 years, the IMR in Indonesia has significantly decreased by 90%, yet it is still far from the 2030 target. Preventive measures are necessary to further reduce the IMR. This study aims to model infant mortality in Indonesia by applying Survival Tree and Random Survival Forest to infant survival data. Unlike Cox regression, which is limited by the proportional hazards assumption, these methods is not limited with any assumption and can automatically capture interactions between variables and complex hazard patterns without specifying interactions beforehand. The results of the study show that the best model is the Random Survival Forest model after hyperparameter tuning, with a concordance index (c-index) of 0.808. Based on the variable importance levels from the best model, the variables of immunization, mother's smoking behavior, low birth weight, and mother's employment status were identified as the four important variables for predicting infant survival.