Analisis Komparatif Multi-Task Learning dan Bayesian GAM untuk Prediksi Multi-Biomarker dengan Pengaruh Spot Size dan Kondisi Lingkungan

Luffy Ardiansyah, Dr. Adhitya Ronnie Effendie, M.Si.

2026 | Tesis | S2 Matematika

Dried blood spot (DBS) merupakan metode pengambilan sampel darah yang praktis dan banyak digunakan dalam survei kesehatan berskala besar. Namun, akurasi pengukuran biomarker dipengaruhi oleh ukuran bercak darah (spot size) serta kondisi pra-analitik dan lingkungan yang hubungannya dengan kadar biomarker sering bersifat nonlinier. Penelitian ini bertujuan membandingkan Multi-Task Learning (MTL) dengan regularisasi group sparsity dan Bayesian Generalized Additive Model (Bayesian GAM) dalam memprediksi tujuh biomarker berdasarkan delapan variabel prediktor pra-analitik. Data sekunder berasal dari pengukuran DBS SHARE Wave 6 pada responden berusia 50 tahun ke atas. MTL diformulasikan dalam kerangka Single-Input Multi-Output, sedangkan Bayesian GAM dibangun secara terpisah untuk setiap biomarker. Untuk memastikan perbandingan yang adil, kedua model menggunakan transformasi logaritma dan ekspansi basis B-spline yang sama. Kinerja model dievaluasi menggunakan RMSE dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa kedua model memiliki kinerja yang tidak berbeda secara signifikan pada seluruh biomarker karena perbedaan RMSE dan R² lebih kecil daripada variasi antar-seed (±2 simpangan baku), sehingga tidak ada model yang secara meyakinkan mengungguli model lainnya. Nilai R² seluruh biomarker berada di bawah 0,25, yang menunjukkan bahwa spot size dan kondisi lingkungan memiliki daya prediksi terbatas, dengan penggunaan desikan, jenis kelamin, dan usia sebagai faktor yang paling berpengaruh. MTL lebih unggul dalam interpretabilitas, sedangkan Bayesian GAM lebih baik dalam kuantifikasi ketidakpastian dan pemodelan hubungan nonlinier.

Dried blood spot (DBS) sampling is a practical blood collection method widely used in large-scale health surveys. However, the accuracy of biomarker measurements is affected by blood spot size as well as pre-analytical and environmental conditions, whose relationships with biomarker levels are often non-linear. This study compared Multi-Task Learning (MTL) with group sparsity regularisation and a Bayesian Generalized Additive Model (Bayesian GAM) for predicting seven biomarkers based on eight pre-analytical predictor variables. Secondary data were obtained from DBS measurements in the SHARE Wave 6 survey of respondents aged 50 years and older. The MTL model was formulated within a Single-Input Multi-Output framework, whereas Bayesian GAM models were fitted separately for each biomarker. For a fair comparison, both models used the same logarithmic transformation and B-spline basis expansion. Model performance was evaluated using RMSE and the coefficient of determination (R²). The results showed that the two models achieved statistically comparable performance across all seven biomarkers because the differences in test-set RMSE and R² were smaller than the variation across random seeds (±2 standard deviations), indicating that neither model convincingly outperformed the other. The R² values for all biomarkers remained below 0.25, suggesting that spot size and environmental conditions had limited predictive power, with desiccant use, sex, and age being the most influential predictors. MTL provided greater interpretability, whereas Bayesian GAM offered better uncertainty quantification and modelling of non-linear relationships.

Kata Kunci : dried blood spot, multi-task learning, Bayesian GAM, group sparsity, prediksi multi-biomarker, spot size