Model Fondasi Tabular AI untuk Analisis Bertahan Hidup: Memprediksi Kapan Bukan Hanya Jika

      Model kecerdasan buatan (AI) telah merevolusi banyak aspek dunia bisnis dan teknologi, terutama dalam klasifikasi dan regresi data. Namun, ada satu area penting di mana penerapannya masih memerlukan adaptasi khusus: analisis bertahan hidup, atau yang dikenal juga sebagai analisis waktu kejadian (time-to-event analysis). Analisis ini tidak hanya menjawab "apakah suatu peristiwa akan terjadi", tetapi yang lebih krusial, "kapan peristiwa itu akan terjadi".

      Meskipun model fondasi tabular (TFM) telah menunjukkan keberhasilan luar biasa dalam tugas-tugas prediksi standar, mengadaptasinya untuk memodelkan hasil waktu-ke-kejadian untuk analisis bertahan hidup merupakan tantangan yang tidak mudah. Sebuah penelitian terbaru oleh Da In Kim, Wei Siang Lai, dan Kelly W. Zhang, berjudul "Tabular Foundation Models Can Do Survival Analysis", menawarkan kerangka kerja berbasis klasifikasi yang inovatif untuk mengatasi tantangan ini. Artikel ini akan membahas bagaimana pendekatan ini bekerja, implikasi bisnisnya, dan mengapa ini merupakan langkah maju yang signifikan dalam aplikasi AI untuk analisis prediktif. (Sumber: arXiv:2601.22259)

Memahami Analisis Bertahan Hidup dan Tantangan Data Tersensor

      Analisis bertahan hidup adalah cabang statistik yang digunakan untuk memodelkan waktu hingga suatu peristiwa terjadi. Aplikasi analisis ini sangat luas, mencakup berbagai domain seperti:

• Kesehatan: Memprediksi waktu kambuh penyakit atau mortalitas pasien.
• Ilmu Sosial: Memperkirakan durasi pengangguran.
• Teknik: Memprediksi waktu kegagalan peralatan mesin.
• Keuangan/Bisnis: Memperkirakan waktu gagal bayar pinjaman atau kapan pelanggan akan berhenti berlangganan (churn).

      Fitur pembeda utama dari analisis bertahan hidup adalah adanya "data tersensor" (censoring). Dalam data tersensor kanan (right-censoring), waktu kejadian yang sebenarnya hanya diamati sebagian. Artinya, pengamatan data mungkin berakhir sebelum peristiwa terjadi. Sebagai contoh, dalam uji coba obat klinis 5 tahun, peristiwa mortalitas dianggap tersensor jika individu keluar lebih awal dari penelitian atau tetap hidup selama periode observasi 5 tahun tersebut. Informasi waktu kejadian yang tidak lengkap ini membuat analisis bertahan hidup berbeda dari tugas regresi standar, di mana target selalu teramati sepenuhnya.

      Tantangan lain yang menyertai analisis bertahan hidup meliputi ukuran dataset yang seringkali kecil (misalnya, hanya beberapa ratus sampel), serta variabel prediktor (kovariat) yang dapat diambil secara tidak teratur seiring waktu. Tantangan-tantangan ini secara historis telah membutuhkan pengembangan model khusus yang disesuaikan dari awal untuk setiap dataset.

Inovasi: Kerangka Klasifikasi untuk Model Fondasi Tabular

      Penelitian ini mengembangkan kerangka kerja berbasis klasifikasi yang mereformulasi analisis bertahan hidup, baik statis maupun dinamis, sebagai serangkaian masalah klasifikasi biner. Pendekatan ini dilakukan dengan mendiskretisasi waktu kejadian menjadi interval-interval yang lebih kecil. Data tersensor secara alami ditangani sebagai contoh dengan label yang hilang pada titik waktu tertentu.

      Reformulasi ini memungkinkan model fondasi tabular yang ada untuk melakukan analisis bertahan hidup melalui pembelajaran dalam konteks (in-context learning) tanpa pelatihan eksplisit. Pembelajaran dalam konteks berarti model dapat belajar dari contoh-contoh yang diberikan dalam input tanpa perlu memperbarui parameter modelnya secara langsung. Ini seperti memberikan beberapa contoh soal kepada model, dan model tersebut dapat menyelesaikannya berdasarkan pemahamannya yang luas, tanpa harus "belajar" dari awal.

Bagaimana Pendekatan Ini Bekerja

      Inti dari metodologi ini adalah mengubah masalah prediksi waktu kontinu menjadi serangkaian masalah prediksi biner (ya/tidak). Daripada memprediksi jumlah waktu yang tepat hingga suatu kejadian, model memprediksi probabilitas kejadian yang terjadi dalam interval waktu tertentu.

      1. Diskretisasi Waktu Kejadian: Waktu kejadian yang awalnya kontinu dipecah menjadi beberapa interval waktu diskrit (misalnya, hari 1-30, hari 31-60, dst.).

      2. Klasifikasi Biner: Untuk setiap interval waktu, model memutuskan apakah peristiwa akan terjadi atau tidak.

      3. Penanganan Data Tersensor: Data tersensor secara otomatis ditangani karena pada interval waktu di mana pengamatan berakhir sebelum kejadian, label klasifikasi dianggap hilang. Model belajar dari apa yang diamati dan menggeneralisasi untuk yang hilang.

      Penelitian ini membuktikan bahwa di bawah asumsi penyensoran standar, meminimalkan binary classification loss (kerugian klasifikasi biner) dapat mengembalikan probabilitas bertahan hidup yang sebenarnya seiring dengan bertambahnya ukuran set pelatihan. Ini berarti, seiring dengan semakin banyaknya data, prediksi model akan semakin akurat mendekati kenyataan. Konsistensi ini sangat penting untuk membangun kepercayaan pada kemampuan prediktif model.

Temuan Kunci dan Dampak Bisnis

      Implementasi model fondasi tabular dengan kerangka klasifikasi ini menunjukkan hasil yang mengesankan:

Performa Unggul: Model fondasi tabular yang tersedia secara komersial, dengan formulasi klasifikasi ini, mengungguli model-model klasik dan berbasis deep learning* dalam rata-rata beberapa metrik bertahan hidup di 53 dataset dunia nyata. Ini menunjukkan efektivitas dan kemampuan generalisasi yang kuat. Tidak Perlu Pelatihan Ulang: Model memanfaatkan representasi yang sudah dilatih sebelumnya (pretrained representations) untuk mencapai kinerja tinggi tanpa memerlukan pelatihan model tambahan atau penyesuaian hyperparameter* yang rumit. Ini menghemat waktu dan sumber daya komputasi.

• Kalibrasi Probabilitas yang Akurat: Berbeda dengan model klasifikasi atau regresi standar yang mungkin tidak mengkalibrasi probabilitas risiko dengan baik sepanjang waktu, pendekatan ini menghasilkan probabilitas yang terkalibrasi dengan baik, penting untuk pengambilan keputusan yang tepat di bidang sensitif seperti kesehatan atau keuangan.

      Dampak bisnis dari inovasi ini sangat signifikan. Perusahaan di berbagai industri dapat mengambil manfaat dari prediksi yang lebih akurat mengenai waktu kejadian penting. Misalnya:

• Manufaktur: Memprediksi lebih akurat kapan mesin akan rusak, memungkinkan pemeliharaan prediktif yang lebih efektif dan mengurangi waktu henti produksi. Solusi seperti Industrial IoT & Heavy Equipment Monitoring dari ARSA Technology dapat memanfaatkan analisis ini untuk kinerja aset yang lebih baik.
• Layanan Kesehatan: Memprediksi waktu kambuh penyakit pada pasien, memungkinkan intervensi dini. Atau, memprediksi kemungkinan pasien keluar dari program pengobatan.
• Retail: Memprediksi kapan pelanggan kemungkinan besar akan berhenti berlangganan, memungkinkan upaya retensi yang ditargetkan. Analisis ini melengkapi solusi seperti AI BOX - Smart Retail Counter dengan memberikan dimensi waktu pada perilaku pelanggan.
• Transportasi & Logistik: Memprediksi kegagalan komponen kendaraan atau infrastruktur, meningkatkan keamanan dan efisiensi. Manajemen lalu lintas dan akses kendaraan dapat ditingkatkan melalui integrasi dengan solusi Sistem Kendaraan dan Parkir Cerdas.

      Kemampuan model fondasi tabular untuk melakukan analisis bertahan hidup dengan presisi tinggi dan efisiensi operasional tanpa perlu re-training ekstensif merupakan terobosan penting. Ini membuka jalan bagi adopsi AI yang lebih luas dalam skenario prediktif yang kompleks, terutama di mana data tersensor adalah norma. Sebagai perusahaan yang telah berpengalaman sejak 2018 dalam menghadirkan solusi AI & IoT yang adaptif dan berdampak nyata, ARSA Technology siap membantu perusahaan mengintegrasikan inovasi semacam ini ke dalam operasi mereka.

      Untuk mengetahui lebih lanjut tentang bagaimana solusi AI dan IoT dapat diimplementasikan untuk kebutuhan spesifik industri Anda dan untuk mendapatkan konsultasi gratis, jangan ragu untuk menghubungi tim ARSA.