Random Survival Forest Dengan Survshap(T) Untuk Model Survival Yang Interpretable Pada Perbaikan Kondisi Mental Pasien Terapi Komplementer

Rahma, Kartika Nur (2025) Random Survival Forest Dengan Survshap(T) Untuk Model Survival Yang Interpretable Pada Perbaikan Kondisi Mental Pasien Terapi Komplementer. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003231031-Master_Thesis.pdf Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Kemampuan pembelajaran model machine learning dapat terus ditingkatkan seiring dengan bertambahnya data, sehingga cocok untuk kasus-kasus dinamis yang melibatkan waktu. Namun karena fleksibilitas model, hasil model machine learning sulit untuk interpretasi secara langsung. Beberapa model seperti Random Survival Forest (RSF) dianggap sebagai black-box model sehingga sulit untuk memahami bagaimana prediksi dibuat oleh model tersebut. SurvSHAP(t) mengatasi masalah tersebut dengan menyediakan interpretabilitas melalui nilai SHAP, sebuah teori permainan untuk mengukur kontribusi variabel prediktor terhadap fungsi survival atau risiko yang diprediksi dari model. Estimasi SurvSHAP(t) didapatkan melalui aturan permutasi untuk setiap subset variabel yang mana akan dinormalisasi pada akhirnya untuk mempermudah interpretabilitas model. Hasil studi kasus pada pasien terapi komplementer di Rumah Sakit Nur Hidayah,Yogyakarta dengan model RSF yang telah disesuaikan parameternya didapatkan hasil evaluasi Concordance Index yang baik yaitu sekitar 81,84% pada data training dan 91,08% pada data testing. Interpretasi SurvSHAP(t) membuktikan bahwa model RSF dapat dijelaskan dengan kesimpulan bahwa usia, keluhan utama pasien, reaksi terapi, tidak adanya riwayat interaksi dengan hal-hal supranatural merupakan variabel yang memiliki pengaruh penting. Variabel usia dan tidak adanya riwayat interaksi memiliki kontribusi yang baik terhadap peluang pasien untuk sembuh. Sedangkan pasien dengan reaksi aktif menurunkan peluang pasien untuk sembuh. Hasil ini diharapkan dapat membantu tim medis untuk menganalisis hasil terapi komplementer berbasis data.
================================================================================================================================
The learning capability of machine learning models can be continuously improved as the data grows, making it very suitable for dynamic cases involving time. However, due to the flexibility of the model, machine learning model results are difficult to interpret directly. Some models, such as Random Survival Forest (RSF), are considered black-box models, making it difficult to understand how predictions are made by the model. SurvSHAP(t) addresses this issue by providing interpretability through SHAP values, a game theory for measuring the contribution of predictor variables to the survival function or predicted risk from the model. SurvSHAP(t) estimates are obtained through permutation rules for each subset of variables, which are ultimately normalized to facilitate model interpretability. The results of a case study on complementary therapy patients at Nur Hidayah Hospital, Yogyakarta, using an RSF model with adjusted parameters yielded a good Concordance Index evaluation result of approximately 81.84% on the training data and 91.08% on the testing data. The interpretation of SurvSHAP(t) demonstrates that the RSF model can be explained by the conclusion that age, the patient's primary complaint, therapy response, and the absence of a history of interaction with supernatural phenomena are variables with significant influence. Age and the absence of a history of interaction contribute positively to the patient's likelihood of recovery. Meanwhile, patients with an active response have a reduced likelihood of recovery. These results are expected to help medical teams analyze data-based complementary therapy outcomes.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Interpretability Model, kesehatan mental, Random Survival Forest, SurvSHAP(t), terapi komplementer
Subjects:	Q Science > Q Science (General) Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Kartika Nur Rahma
Date Deposited:	14 Aug 2025 04:33
Last Modified:	14 Aug 2025 04:33
URI:	http://repository.its.ac.id/id/eprint/128088

Actions (login required)

View Item