SELEKSI VARIABEL DATA SURVIVAL TERSENSOR KANAN DENGAN METODE RANDOM SURVIVAL FOREST

ANISA ASTITIA KHOTIMAH, Sri Haryatmi, M.Sc., Dr., Prof.

2014 | Skripsi | S1 STATISTIKA

Membangun suatu pohon ensemble dengan metode dasar pembentukan pohon kini sangatlah populer. Metode ini memberikan tingkat keakuratan yang lebih tinggi dan merupakan metode yang sangat fleksibel terhadap segala macam data tanpa memerlukan asumsi tertentu. Random Survival Forest diperkenalkan sebagai metode pohon ensemble untuk data survival tersensor kanan. Resampling data yang dikenal dengan istilah bootstrapping digunakan dalam analisis. Data asli akan dilakukan bootstrapping yang kemudian akan memecahkan data menjadi dua komponen yaitu data in-bag dan data out-of-bag. Data in-bag digunakan untuk membangun pohon survival sementara data out-of-bag digunakan untuk menghitung kesalahan prediksi. Informasi waktu dan status tersensor sangat berguna dalam penelitian untuk membangun pohon survival. Random Survival Forest memiliki tujuan analisis yang sama dengan Regresi Cox maka kedua analisis tersebut dibandingkan untuk menunjukkan keakuratan dari analisis Random Survival Forest.

Constructing ensembles from base learners, such as trees is very popular. This method gave a higher level of accuracy and is very flexible method to all kinds of data without requiring certain assumptions. Random survival forest introduced as a method of ensemble trees for right censored survival data. Bootstrapping data known as a term used in analysis and this method will separated the original data into two components, in-bag and out-of-bag data. In-bag data used to grow a survival trees and the out-of-bag data used to calculate the prediction error. The information of time and censored status is very useful to grow a survival tree. Random survival forest have the same purpose with the Cox Regression analysis then both of the analysis compared to show the accuracy of analysis of random survival forest.

Kata Kunci : Random Survival Forest, Survival, Right censored, Variable selection, Cox Regression