Calon Promotor Program Doktoral Padjadjaran Tahun 2025

 

Nama Lengkap: Yudhie Andriyana, M.Sc., Ph.D.

E-mail: [email protected]

Bidang Keahlian: Statistika

Prodi S3 Calon Mahasiswa: Program Double-Degree Doktor Bioteknologi SPS Unpad dan Statistics & Data Sciences Uhasselt Belgia

Judul Penelitian yang Ditawarkan:

Pengembangan Quantile Survival Random Forest dengan Kriteria Log-Rank Terboboti

The Development of Quantile Survival Random Forest with Weighted Log-Rank Criterion

 

Abstrak:

Salah satu metode statistik yang sering digunakan dalam menganalisis data medis adalah analisis survival. Dalam beberapa dekade metode ini telah dikembangkan dengan menggunakan pendekatan machine learning seperti random forest, boosting, dan bagging survival tree. Namun, dalam beberapa keadaan terkadang terdapat adanya beberapa data pencilan sehingga diperlukan sebuah teknik yang bersifat robust. Perkembangan terbaru adalah membangun metode random forest yang dapat mengakomodir data survival dan heteroskedastisitas yang disebut metode Quantile Survival Random Forest. Pada penelitian sebelumnya menggunakan bobot yang sama pada setiap data survivalnya. Sehingga penelitian ini bertujuan melakukan pengembangan metode Quantile Survival Random Forest terhadap bobot amatan dengan menggunakan Log-Rank terboboti. Hal ini dilandaskan pada kondisi data riil terutama pada data medis yang memiliki risiko kejadian yang berubah seiring waktu. Kebaikan pengembangan metode ini akan dievaluasi melalui kajian simulasi yang kemudian akan diterapkan pada data riil dalam hal ini data medis.

 

Abstract:

One of the statistical methods commonly used in analyzing medical data is survival analysis. Over the past few decades, this method has been developed using machine learning approaches such as random forest, boosting, and bagging survival trees. However, in certain situations, there may be outlier data, requiring a robust technique. A recent advancement is the development of a random forest method that can accommodate survival data and heteroscedasticity, known as the Quantile Survival Random Forest method. Previous research applied equal weights to each survival observation. Therefore, this study aims to develop the Quantile Survival Random Forest method by incorporating weighted observations using the Weighted Log-Rank criterion. This is based on real-world data conditions, particularly in medical data, where the risk of events changes over time. The effectiveness of this method development will be evaluated through simulation studies and then applied to real-world data, specifically medical data.