Analisis Regresi Cox Proportional hazard untuk Memodelkan Risiko Serangan Jantung di Indonesia

Mahfuz Hudori; Reni Permata Sari; Siti Qomariyah

doi:10.69693/ijim.v4i3.1917

Authors

Mahfuz Hudori Universitas Nahdlatul Ulama Lampung
Reni Permata Sari Universitas Nahdlatul Ulama Lampung
Siti Qomariyah Universitas Nahdlatul Ulama Lampung

DOI:

https://doi.org/10.69693/ijim.v4i3.1917

Keywords:

analisis survival, regresi cox proportional hazard, serangan jantung, hazard ratio

Abstract

Pemodelan risiko serangan jantung memerlukan pendekatan statistik yang mampu mengakomodasi data waktu kejadian dan data tersensor secara tepat. Penelitian ini bertujuan membangun model regresi Cox Proportional Hazard untuk mengidentifikasi faktor-faktor yang memengaruhi risiko serangan jantung di Indonesia. Penelitian menggunakan pendekatan kuantitatif dengan analisis survival terhadap data sekunder Heart Attack Prediction in Indonesia yang diperoleh dari Kaggle. Analisis dilakukan menggunakan perangkat lunak R-Studio melalui pemodelan regresi Cox Proportional Hazard, pengujian signifikansi parameter, pengujian asumsi proportional hazard, dan seleksi variabel menggunakan metode forward. Hasil penelitian menunjukkan bahwa riwayat hipertensi, riwayat diabetes, obesitas, dan status merokok berpengaruh signifikan terhadap risiko serangan jantung, sedangkan jenis kelamin, tempat tinggal, dan riwayat keluarga tidak menunjukkan pengaruh yang signifikan. Model yang dihasilkan memenuhi asumsi proportional hazard sehingga memberikan estimasi risiko yang andal dan dapat dimanfaatkan sebagai dasar identifikasi faktor risiko serta pengambilan keputusan dalam upaya pencegahan serangan jantung di Indonesia.

Downloads

Download data is not yet available.

References

Cahyani, W. W., & Rakhmawati, F. (2024). Analisis Survival Menggunakan Regresi Weibull Pada Laju Kesembuhan Pasien Jantung Koroner. Sains Dan Matematika, 9(2), 39–45. https://doi.org/10.26740/SAINSMAT..V9N2.P39-45

Damayanti, S., Wuryandari, T., Sudarno, S., Statistika, D., Sains, F., & Matematika, D. (2024). PERBANDINGAN ANALISIS SURVIVAL MENGGUNAKAN REGRESI COX PROPORTIONAL HAZARD DAN REGRESI WEIBULL PADA PASIEN COVID-19 DI RSUD TAMAN HUSADA BONTANG. Jurnal Gaussian, 12(3), 453–464. https://doi.org/10.14710/J.GAUSS.12.3.453-464

Hudori, M. (2021). Faktor-Faktor yang Mempengaruhi Daya Tahan Mahasiswa Teknik Sipil UIB dalam Mempertahankan Studinya. E-Jurnal Matematika, 10(1), 1–5. https://doi.org/10.24843/MTK.2021.V10.I01.P312

Imran, F., Susetyo, B., & Wigena, A. H. (2013). IDENTIFIKASI FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN MAHASISWA PUTUS KULIAH DI IPB ANGKATAN 2008 MENGGUNAKAN ANALISIS SURVIVAL. Xplore: Journal of Statistics, 1(2), 2–7. https://doi.org/10.29244/xplore.v1i2.12404

Irma, A., & Izza, N. C. (2024). Medical Record Analysis to Predict Heart Failure Patient Survival Using Data Mining. Jurnal Manajemen Informasi Kesehatan (Health Information Management), 9(1), 10–21. https://doi.org/10.51851/JMIS.V9I1.468

Klein, J. P., Houwelingen, H. C. van, Ibrahim, J. G., & Scheike, T. H. (2014). Handbook of Survival Analysis. Taylor & Francis Group, LLC. https://doi.org/10.1201/b11311-6

Kleinbaum, D. G. D., & Klein, M. (2011). Survival Analysis: A Self-Learning Text, Third Edition (Statistics for Biology and Health). In Biometrical Journal. https://doi.org/10.1016/B978-0-12-387667-6.00013-0

Muller, M. (2004). Goodness of fit criteria for survival data. Paper, 382. http://epub.ub.uni-muenchen.de/

Purwadi, H., & Fatriadi, M. H. (2023). Strategi Dalam Meningkatkan Survival Rate Pada Penderita Henti Jantung Di Luar Rumah Sakit Out- Hospital Cardiac Arrest. Jurnal Pengabdian Bidang Kesehatan, 1(4), 95–103. https://doi.org/10.57214/JPBIDKES.V1I4.28

Sianturi, A. A., Risca, ⁠, Hutapea, O., May, ⁠, & Sinaga, R. T. (2025). Comparison of Cox Proportional Hazards and Weibull Regression Models in Survival Analysis of Heart Failure Patients Using UCI Repository Data. EduMatika: Jurnal MIPA, 5(3), 47–57. https://doi.org/10.56495/EMJU.V5I3.1327

Sitanggang, B. F., & Sitompul, P. (2024). Deteksi Awal Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Machine Learning Metode Random Forest. Innovative: Journal Of Social Science Research, 4(2), 3347–3357. https://doi.org/10.31004/innovative.v4i2.8189

Tee, S. Y., & Daud, A. A. M. (2025). MATHEMATICAL MODEL AND ANALYSIS OF POPULATION DYNAMICS FOR HEART FAILURE AND HEART TRANSPLANT (Model Matematik dan Analisis Dinamik Populasi Kegagalan Jantung dan Pemindahan Jantung). Journal of Quality Measurement and Analysis JQMA, 21(1), 2025. https://doi.org/10.17576/jqma.2101.2025.04