Penyakit Alzheimer merupakan salah satu bentuk penyakit neurodegeneratif yang ditandai dengan penurunan kognitif dan gangguan memori. Dengan meningkatnya jumlah penderita Alzheimer secara global, termasuk di Indonesia, maka diperlukan pendekatan analisis statistik untuk mengidentifikasi faktor-faktor risiko yang signifikan terhadap penyakit ini. Artikel ini memodelkan faktor-faktor yang memengaruhi diagnosis Alzheimer menggunakan Generalized Linear Model (GLM) dengan tiga pendekatan fungsi link: logit, probit, dan gompit. Penelitian ini bertujuan untuk menentukan model terbaik dalam memprediksi risiko Alzheimer dan mendukung tujuan pembangunan berkelanjutan (SDGs) nomor 3 tentang kesehatan dan kesejahteraan.
Penelitian ini menggunakan data sekunder tahun 2024 dari platform Kaggle dengan 75 pengamatan pada lansia usia ≥60 tahun dari berbagai negara. Variabel yang dianalisis terdiri dari satu variabel respon (diagnosis Alzheimer) dan enam variabel prediktor, yaitu usia, riwayat keluarga, riwayat cedera kepala, hipertensi, keluhan memori, dan gangguan perilaku. Meskipun ukuran sampel tergolong kecil untuk penerapan model Generalized Linear Model (GLM), namun data ini tetap memenuhi kriteria minimal berdasarkan aturan praktis yang menyarankan minimal 10 observasi per variabel prediktor. Ketiga fungsi link (logit, probit, gompit) dianalisis menggunakan metode Maximum Likelihood Estimation (MLE) dan dievaluasi berdasarkan uji kelayakan model, AIC, deviance R², odds ratio, marginal effect, dan akurasi klasifikasi.
Hasil analisis menunjukkan bahwa ketiga link fungsi (logit, probit, dan gompit) layak digunakan untuk pemodelan diagnosis Alzheimer. Secara performa, model gompit memberikan hasil terbaik dengan nilai deviance R² sebesar 30,01% dan AIC terendah (73,75). Sedangkan model logit dan probit masing-masing memiliki nilai deviance R² sebesar 29,78% dan 29,86%, serta nilai AIC sebesar 73,98 dan 73,90 secara berurutan. Ketiga link logit menunjukkan akurasi klasifikasi yang sama, yaitu 81,3%. Secara parsial, dua variabel yang signifikan pada semua model adalah keluhan memori dan gangguan perilaku (p-value < 0,05).
Setelah dilakukan re-modeling dengan hanya memasukkan dua variabel signifikan tersebut, diperoleh odds ratio sebagai berikut: pasien dengan keluhan memori memiliki kemungkinan 18,99 kali lebih besar untuk didiagnosis Alzheimer. Sementara itu, pasien dengan gangguan perilaku memiliki kemungkinan 8,67 kali lebih besar. Nilai AUC dari ketiga model > 0,85, menunjukkan performa klasifikasi yang sangat baik, dengan model logit sedikit lebih unggul secara diskriminatif, namun model gompit tetap unggul secara keseluruhan dalam menjelaskan variasi data.
Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa GLM dengan fungsi link gompit adalah model yang paling sesuai dalam mengidentifikasi faktor-faktor penyebab Alzheimer. Temuan ini memiliki implikasi penting dalam praktik klinis, terutama untuk skrining dini dan pengembangan sistem pendukung keputusan medis. Artikel ini diharapkan dapat menjadi sumber pembelajaran dan referensi dalam penelitian sejenis di bidang statistika kesehatan maupun epidemiologi. Artikel selengkapnya terkait permasalahan yang disajikan dapat diakses melalui link yang diberikan di bawah.
Penulis: Dr. Ardi Kurniawan, Drs., M.Si.
Informasi terkait artikel ini dapat dilihat pada:
