TUGAS 1

Survival Model


Kontak : \(\downarrow\)
Email
Instagram https://www.instagram.com/claraevania/
RPubs https://rpubs.com/claradellaevania/

**

1. Apa Perbedaan Regresi, Analisis Survival dan Time Series ?

Regresi

Analisis Regresi merupakan analisis yang digunakan dalam memprediksi masa depan dengan melihat hubungan antara satu atau lebih variabel bebas dan variabel terikat dapat dimodelkan. Sebagai contoh, Volume penjualan, harga saham, dan tingkat kegagalan produk, misalnya, semuanya sulit diramalkan karena interaksi yang kompleks antara berbagai variabel prediktor. Untuk memprediksi nilai masa depan, teknik yang lebih kompleks (misalnya, regresi logistik, pohon keputusan, atau jaringan saraf) mungkin diperlukan.Dalam hal regresi dan klasifikasi, jenis model yang sama sering digunakan.Tujuan dari analisis regresi adalah untuk memprediksi besar Variabel Terikat (Dependent Variable) dengan menggunakan data Variabel Bebas (Independent Variable) yang sudah diketahui besarnya.

Analisis Survival

Analisis Survival merupakan suatu analisis lamanya waktu yang diperlukan hingga mencapai titik akhir yang telah ditentukan sebelumnya. Biasanya titik akhir tersebut menyesuaikan kebutuhan contohnya dapat berupa kematian, penyakit hingga kerusakan, dan lain sebagainya. Umumnya, data yang bisa digunakan untuk melakukan survival analysis adalah data yang memuat data waktu hingga muncul kejadian. Waktu ini dapat berupa tahun, bulan, hari, dan semua waktu lainnya. Tujuan dari analisis survival adalah memperkirakan fungsi survival dan fungsi hazard,membandingkan fungsi survival dan fungsi hazard, dan melihat hubungan antara suatu variabel terhadap waktu survival.

Analisis Time Series

Analisis Time Series merupakan analisis yang digunakan pada peramalan kejadian dimasa depan dengan menggunakan data runtut waktu untuk pengolahannya. Jadi data yang digunakan pada analisis ini harus berhubungan dari waktu ke waktu. Dengan analisis ini, kita dapat mengetahui apa yang menyebabkan terjadinya suatu trend. Menganalisis data berorientasi waktu dan meramalkan nilai di masa mendatang dari suatu data time series adalah salah satu masalah terpenting yang dihadapi analis di banyak bidang, mulai dari keuangan dan ekonomi, manajemen produksi, analisis kebijakan politik dan sosial, hingga menyelidiki dampak keputusan manusia dan kebijakan yang mereka buat terhadap lingkungan. Tujuan analisis time series adalah Membantu mempelajari data masa lampau, sehingga dapat dipelajari faktor-faktor penyebab perubahan untuk pertimbangan perencanaan di masa yang akan datang.

2.Apakah perlu dilakukan uji asumsi klasik pada analisis survival

Dalam melakukan analisis survival diperlukan pengujian sebagai uji prasyarat yang dilakukan sebelum melakukan analisis lebih lanjut terhadap data yang telah dikumpulkan. Namun survival analysis juga tidak memerlukan asumsi-asumsi regresi klasik seperti kenormalan, homoskedastisitas, multikolinieritas, dan autokorelasi sehingga memudahkan di dalam membentuk model. Namun pada analisis survival ini dilakukan pengujian asumsi hazard proporsional yang bersifat konstan.Jika kedua grafik hazard (hazard baseline dan hazard dengan fungsi eksponensial) berpotongan, maka asumsi hazard proporsional tidak terpenuhi. Jika kedua grafik hazard tidak berpotongan, maka asumsi hazard proporsional terpenuhi.Selain itu juga melihat Uji Kesesuaian waktu survival dan residual Schoenfeld, Jika tidak ada asosiasi antara waktu survival dengan residual Schoenfeld, asumsi hazard proporsional terpenuhi. Jika asosiasi ini ada, asumsi hazard proporsional tidak terpenuhi.Artinya, ada tidaknya asosiasi dapat dilihat pada grafik waktu survival dan residual Schoenfeld.

3.Apa Perbedaan Hazard(ratio) dan Survival

Hazard (Ratio) merupakan suatu perbandingan antara individu dengan kondisi peubah bebas x pada kategori sukses dengan kategori gagal.Hazard Ratio merupakan jenis risiko relatif yag dihitung dengan menggunakan teknik statistika Survival Analysis. Hazard Ratio dapat menunjukkan kemungkinan terjadinya suatu kejadian dimana seringkali digunakan bergantian dengan relative risk ratio. Hazard hanya menunjukkan apakah suatu efek akan terjadi atau tidak, tetapi tidak menunjukkan seberapa cepat efek tersebut terjadi.

Survival Analysis sering digunakan dalam penelitian untuk menilai efektifitas obat atau metode pengobatan baru. Hazard ratio berperan untuk menunjukkan perbandingan hasil dari penelitian klinis.

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