PEMODELAN REGRESI BINOMIAL DENGAN INLA: STUDI KASUS FAKTOR RISIKO PENYAKIT DIABETES

Abstract

Diabetes merupakan tantangan kesehatan global yang signifikan, dengan prevalensi yang meningkat secara dramatis selama beberapa dekade terakhir, terutama di negara-negara berpenghasilan rendah dan menengah. Prediksi diabetes yang akurat berdasarkan faktor risiko utama sangat penting untuk strategi pencegahan dan pengelolaan yang efektif. Penelitian ini menggunakan pendekatan Integrated Nested Laplace Approximation (INLA), sebuah metode Bayesian yang menawarkan efisiensi komputasi dan kinerja yang andal dalam menangani data kompleks, untuk memprediksi risiko diabetes menggunakan dataset publik yang mencakup variabel medis dan demografis. Analisis ini melibatkan variabel seperti usia, jenis kelamin, hipertensi, penyakit jantung, indeks massa tubuh (BMI), kadar HbA1c, dan kadar glukosa darah. Evaluasi model secara komparatif menggunakan Deviance Information Criterion (DIC) menunjukkan bahwa penghapusan variabel yang tidak signifikan (jenis kelamin dan penyakit jantung) meningkatkan kinerja model, dengan Model INLA 2 mencapai nilai DIC terendah sebesar 217.76. Prediktor signifikan yang diidentifikasi meliputi usia, hipertensi, BMI, kadar HbA1c, dan kadar glukosa darah, yang semuanya memiliki hubungan positif dengan risiko diabetes. Kadar HbA1c muncul sebagai faktor paling berpengaruh, menunjukkan daya prediksi yang kuat. Temuan ini menyoroti kegunaan pendekatan INLA dalam mengembangkan model prediksi diabetes yang efisien dan akurat, memberikan wawasan berharga bagi inisiatif kesehatan masyarakat. Penelitian ini menegaskan pentingnya mengintegrasikan metode statistik yang canggih dengan data dunia nyata untuk mendukung pengambilan keputusan berbasis bukti dalam pencegahan dan pengendalian diabetes.