Multivariate Adaptive Bivariate Regression Splines (MABRS) Respon Biner (Studi Kasus: Penyakit Stroke dan Hipertensi di RSKD Dadi Kota Makassar)

Sulastri, Sri Sulastri (2026) Multivariate Adaptive Bivariate Regression Splines (MABRS) Respon Biner (Studi Kasus: Penyakit Stroke dan Hipertensi di RSKD Dadi Kota Makassar). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003241039_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Dalam beberapa tahun terakhir, metode Multivariate Adaptive Regression Splines (MARS) untuk data kategorik telah mendapatkan perhatian yang besar. Hal ini didorong oleh semakin banyaknya kasus nyata yang melibatkan variabel respon bersifat kategorik (biner). Namun, pendekatan MARS umumnya hanya diterapkan pada satu variabel respon dan belum mempertimbangkan kemungkinan adanya korelasi antar variabel respon. Akibatnya, model MARS respon biner belum dapat langsung diterapkan pada kasus dengan dua respon biner yang saling berkorelasi. Oleh karena itu, diperlukan metode yang mampu menangani struktur data dengan dua variabel respon biner yang saling berkorelasi serta tetap mempertahankan fleksibilitas dalam menangkap hubungan nonlinier antar variabel prediktor. Penelitian ini bertujuan untuk memperoleh penaksir parameter dari model Multivariate Adaptive Bivariate Regression Splines (MABRS) untuk respon biner. Selanjutnya, metode ini diimplementasikan pada data pasien stroke dan hipertensi yang diperoleh dari RSKD Dadi Kota Makassar, Provinsi Sulawesi Selatan. Terdapat dua variabel respon yang masing-masing terdiri atas dua kategori, yang pertama jenis stroke dengan kategor 0 untuk stroke iskemik dan 1 untuk stroke hemoragik. Respon kedua adalah hipertensi dengan kategori 0 untuk tidak hipertensi, dan 1 untuk hipertensi. Pada tahapan akhir, performa model MABRS Respon biner dibandingkan dengan model Regresi Logistik Biner Bivariat dan MARS Birespon. Hasil analisis menunjukkan bahwa model MABRS Respon Biner memberikan estimasi yang lebih akurat dibandingkan dengan Regresi Logistik Biner Bivariat dan MARS Birespon, ditinjau dari nilai akurasi, sensivitas, dan spesifitas.
==========================================================================================================================
In recent years, the Multivariate Adaptive Regression Splines (MARS) method for categorical data has received great attention. This is driven by the increasing number of real cases involving categorical (binary) response variables. However, the MARS approach is generally only applied to one response variable and has not considered the possibility of correlation between response variables. As a result, the binary response MARS model cannot be directly applied to cases with two correlated binary responses. Therefore, a method is needed that can handle data structures with two correlated binary response variables while maintaining flexibility in capturing nonlinear relationships between predictor variables. This study aims to obtain parameter estimators of the Multivariate Adaptive Bivariate Regression Splines (MABRS) model for binary response. Furthermore, this method is implemented on stroke and hypertension patient data obtained from Dadi General Hospital, Makassar City, South Sulawesi Province. There are two response variables each consisting of two categories, the first is stroke type with a category of 0 for ischemic stroke and 1 for hemorrhagic stroke. The second response is hypertension with category 0 for no hypertension, and 1 for hypertension. In the final stage, the performance of the binary response MABRS model was compared with the Bivariate Binary Logistic Regression model. The results of the analysis showed that the Binary Response MABRS model provided a more accurate estimation than the Bivariate Binary Logistic Regression, in terms of accuracy, sensitivity, and specificity.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Bivariate, Hipertensi, MARS, Respon Biner, Stroke
Subjects:	Q Science > Q Science (General) > Q180.55.M38 Mathematical models
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Sri Sulastri
Date Deposited:	22 Jan 2026 02:54
Last Modified:	22 Jan 2026 02:54
URI:	http://repository.its.ac.id/id/eprint/130039

Actions (login required)

View Item