MODEL PREDIKSI KELANGSUNGAN HIDUP PASIEN PASCA ALLO-HCT MENGGUNAKAN BAGGING DAN BOOSTING DENGAN TEKNIK FAIRNESS REGRESSION

Allo-HCT merupakan pengobatan kuratif bagi pasien dengan berbagai gangguan hematologi. Pendekatan berbasis bagging dan boosting telah diterapkan dalam meningkatkan prediksi kelangsungan hidup pasien pasca allo-HCT, tetapi aspek keadilan (fairness) dalam model masih kurang mendapat perhatian khusus. Penelitian ini bertujuan untuk mengeksplorasi model berbasis bagging dan boosting serta mengintegrasikannya dengan teknik fairness regression. Dataset yang digunakan bersumber dari CIBMTR yang memuat atribut rasial pasien untuk mengevaluasi fairness melalui korelasi ras dan prediksi. Hasil penelitian menunjukkan bahwa penggunaan bagging dan boosting terbukti dapat meningkatkan performa dibanding model baseline (Decision Tree) dengan kenaikan C-Index dan AUC(t) masing-masing sebesar 6,26% dan 39,22%. Hal tersebut dapat dilihat dari perbedaan C-Index pada Decision Tree sebesar 0,639 dan AUC(t) sebesar 0,665 pada bulan ke-50, sedangkan performa tertinggi dicapai oleh model terbaik (CatBoost) dengan C-Index 0,679 dan AUC(t) pada bulan ke-150 sebesar 0,930. Penerapan teknik fairness regression menghasilkan penurunan PCC terbaik pada AdaBoost dan CatBoost menjadi 0,00, sementara penurunan MI terbesar pada GBM sebesar 9,52%. CatBoost tetap menjadi model dengan performa tertinggi yang menunjukkan keseimbangan terbaik antara performa prediktif dan fairness, dengan PCC 0,00 dan MI 0,21 meskipun AUC(t) pada bulan ke-150 menurun 3,87% dari performa awal. Penurunan PCC dan MI menandakan model tidak lagi memberikan prediksi yang bias terhadap kelompok ras tertentu sehingga mengurangi disparitas rasial dalam prediksi kelangsungan hidup pasien.

Kata Kunci – Allo-HCT, Bagging, Boosting, Fairness Regression, Prediksi Survival