Mengenal Unstructured Data
16 Februari 2022
16 Februari 2022
Dalam mempelajari data science, Anda mungkin akan menjumpai istilah survival analysis atau analisis survival. Dari namanya, bisa diketahui bahwa analisis ini digunakan untuk survive atau bertahan hidup. Namun, sebenarnya apa pengertian dari survival analysis ini, terutama saat dikaitkan dengan data science?
Analisis survival, atau kadang disebut time-to-event analysis, merupakan serangkaian metode untuk menganalisis lama waktu yang diperlukan hingga mencapai titik akhir yang telah ditentukan sebelumnya. Dengan kata lain, variabel respons dalam survival analysis adalah rentang waktu tersebut yang kemudian disebut dengan waktu survival.
Titik akhir dalam analisis survival bisa menyesuaikan kebutuhan. Ada yang diukur dalam hitungan hari, tapi ada juga yang mencapai hitungan tahun. Begitu pula dengan jenisnya. Titik akhir bisa berupa kematian, munculnya penyakit, hingga kerusakan pada mesin.
Salah satu ciri khas dalam survival analysis adalah subjek yang diukur terkadang tidak bisa mencapai titik akhir periode pengamatan. Akibatnya, waktu survival yang sesungguhnya tidak bisa diketahui. Situasi ini kemudian disebut sebagai penyensoran (censoring) dan harus tetap diperhitungkan dalam analisis agar mencapai kesimpulan yang valid.
Ada banyak sekali contoh penerapan survival analysis. Salah satu contohnya bisa Anda temukan pada dunia kesehatan. Analisis survival digunakan untuk menganalisis kondisi seorang pasien. Katakanlah ada pasien A yang menderita penyakit jantung, maka analisis ini bisa dipakai untuk memprediksi kapan pasien terkena serangan jantung.
Selain dalam dunia kesehatan, survival analysis pun banyak digunakan pada bidang lain seperti ekonomi dan industri manufaktur. Berikut adalah beberapa contohnya:
Analisis survival dapat digunakan dalam demand forecasting atau memprediksi permintaan di masa mendatang. Saat ini, permintaan dari konsumen terus berubah-ubah hingga sulit untuk diprediksi pergerakannya. Padahal, mengetahui permintaan konsumen dengan seakurat mungkin sangat diperlukan perusahaan. Tanpa mengetahui jumlah pasti permintaan konsumen, akan sulit mengukur berapa banyak produk yang harus dihasilkan.
Dengan menerapkan survival analysis yang diimplementasikan dalam bentuk demand forecasting, pemilik usaha dapat memperkirakan tingkat permintaan konsumen. Bahkan hasilnya pun bisa dibilang mendekati akurat. Ini karena survival analysis mempelajari data historis perusahaan yang masih berhubungan dengan demand.
Selanjutnya ada penerapan survival analysis yang diwujudkan dalam equipment failure analysis atau prediksi kerusakan alat. Biasanya, analisis ini dipakai oleh perusahaan besar yang memerlukan alat berat atau mesin produksi berskala besar. Analisis ini dimanfaatkan untuk memprediksi kapan suatu alat akan mengalami kerusakan. Caranya adalah dengan mengumpulkan data mengenai mesin dan kemudian melakukan analisis.
Langkah ini sangat membantu perusahaan dalam mengantisipasi kerusakan mesin. Tanpa adanya prediksi dari equipment failure analysis, potensi rugi perusahaan akan semakin besar. Oleh karenanya, bidang analisis ini terus dikembangkan dan semakin banyak diterapkan di berbagai perusahaan.
Customer lifetime value atau LTV menyoroti perilaku konsumen. LTV memanfaatkan survival analysis untuk mengetahui durasi penggunaan produk oleh konsumen.
Untuk bisa mendapatkan informasi tersebut, perusahaan memerlukan sejumlah data seperti tingkat permintaan pelanggan, jumlah produksi, hingga data historis mengenai perilaku konsumen itu sendiri. Jika diolah dengan baik, LTV akan membantu perusahaan menyusun strategi saat terdapat kelompok yang berhenti menggunakan produk. Dengan begitu, kerugian pun dapat diminimalisir.
Terakhir ada churn rate dan retention rate. Penerapan ini masih mirip dengan customer lifetime value. Pada churn rate, yang dianalisis adalah durasi langganan konsumen dan kemudian dibandingkan dengan konsumen yang sudah berhenti berlangganan.
Sedangkan, retention rate menyoroti waktu survival dari saat konsumen mulai menggunakan produk hingga berhenti. Selain dalam bidang penjualan, retention rate ini juga sering digunakan untuk memprediksi waktu bertahan seorang karyawan pada perusahaannya sebelum memutuskan untuk resign.
Itulah penjelasan mengenai analisis survival atau time-to-event analysis. Bisa dibilang, tujuan akhir analisis ini adalah untuk mengetahui seberapa lama objek yang diteliti dapat bertahan hingga mencapai suatu titik tertentu. Untuk penggunaannya sendiri sangatlah luas. Contoh penerapan dalam industri manufaktur bisa dilihat pada equipment failure analysis.
Penerapan analisis survival dan komponen lain dalam data science sebenarnya sangat dekat dengan kehidupan sehari-hari. Bahkan mungkin tanpa disadari, Anda sudah menerapkannya untuk memudahkan suatu proses. Bicara soal data science memang tidak akan selesai dalam satu artikel saja. Untuk pemahaman yang lebih mendalam, Anda bisa mengikuti kelas dari Algoritma Data Science School. Informasi lebih lengkap bisa Anda dapatkan di sini!
Referensi:
Dalam mempelajari data science, Anda mungkin akan menjumpai istilah survival analysis atau analisis survival. Dari namanya, bisa diketahui bahwa analisis ini digunakan untuk survive atau bertahan hidup. Namun, sebenarnya apa pengertian dari survival analysis ini, terutama saat dikaitkan dengan data science?
Analisis survival, atau kadang disebut time-to-event analysis, merupakan serangkaian metode untuk menganalisis lama waktu yang diperlukan hingga mencapai titik akhir yang telah ditentukan sebelumnya. Dengan kata lain, variabel respons dalam survival analysis adalah rentang waktu tersebut yang kemudian disebut dengan waktu survival.
Titik akhir dalam analisis survival bisa menyesuaikan kebutuhan. Ada yang diukur dalam hitungan hari, tapi ada juga yang mencapai hitungan tahun. Begitu pula dengan jenisnya. Titik akhir bisa berupa kematian, munculnya penyakit, hingga kerusakan pada mesin.
Salah satu ciri khas dalam survival analysis adalah subjek yang diukur terkadang tidak bisa mencapai titik akhir periode pengamatan. Akibatnya, waktu survival yang sesungguhnya tidak bisa diketahui. Situasi ini kemudian disebut sebagai penyensoran (censoring) dan harus tetap diperhitungkan dalam analisis agar mencapai kesimpulan yang valid.
Ada banyak sekali contoh penerapan survival analysis. Salah satu contohnya bisa Anda temukan pada dunia kesehatan. Analisis survival digunakan untuk menganalisis kondisi seorang pasien. Katakanlah ada pasien A yang menderita penyakit jantung, maka analisis ini bisa dipakai untuk memprediksi kapan pasien terkena serangan jantung.
Selain dalam dunia kesehatan, survival analysis pun banyak digunakan pada bidang lain seperti ekonomi dan industri manufaktur. Berikut adalah beberapa contohnya:
Analisis survival dapat digunakan dalam demand forecasting atau memprediksi permintaan di masa mendatang. Saat ini, permintaan dari konsumen terus berubah-ubah hingga sulit untuk diprediksi pergerakannya. Padahal, mengetahui permintaan konsumen dengan seakurat mungkin sangat diperlukan perusahaan. Tanpa mengetahui jumlah pasti permintaan konsumen, akan sulit mengukur berapa banyak produk yang harus dihasilkan.
Dengan menerapkan survival analysis yang diimplementasikan dalam bentuk demand forecasting, pemilik usaha dapat memperkirakan tingkat permintaan konsumen. Bahkan hasilnya pun bisa dibilang mendekati akurat. Ini karena survival analysis mempelajari data historis perusahaan yang masih berhubungan dengan demand.
Selanjutnya ada penerapan survival analysis yang diwujudkan dalam equipment failure analysis atau prediksi kerusakan alat. Biasanya, analisis ini dipakai oleh perusahaan besar yang memerlukan alat berat atau mesin produksi berskala besar. Analisis ini dimanfaatkan untuk memprediksi kapan suatu alat akan mengalami kerusakan. Caranya adalah dengan mengumpulkan data mengenai mesin dan kemudian melakukan analisis.
Langkah ini sangat membantu perusahaan dalam mengantisipasi kerusakan mesin. Tanpa adanya prediksi dari equipment failure analysis, potensi rugi perusahaan akan semakin besar. Oleh karenanya, bidang analisis ini terus dikembangkan dan semakin banyak diterapkan di berbagai perusahaan.
Customer lifetime value atau LTV menyoroti perilaku konsumen. LTV memanfaatkan survival analysis untuk mengetahui durasi penggunaan produk oleh konsumen.
Untuk bisa mendapatkan informasi tersebut, perusahaan memerlukan sejumlah data seperti tingkat permintaan pelanggan, jumlah produksi, hingga data historis mengenai perilaku konsumen itu sendiri. Jika diolah dengan baik, LTV akan membantu perusahaan menyusun strategi saat terdapat kelompok yang berhenti menggunakan produk. Dengan begitu, kerugian pun dapat diminimalisir.
Terakhir ada churn rate dan retention rate. Penerapan ini masih mirip dengan customer lifetime value. Pada churn rate, yang dianalisis adalah durasi langganan konsumen dan kemudian dibandingkan dengan konsumen yang sudah berhenti berlangganan.
Sedangkan, retention rate menyoroti waktu survival dari saat konsumen mulai menggunakan produk hingga berhenti. Selain dalam bidang penjualan, retention rate ini juga sering digunakan untuk memprediksi waktu bertahan seorang karyawan pada perusahaannya sebelum memutuskan untuk resign.
Itulah penjelasan mengenai analisis survival atau time-to-event analysis. Bisa dibilang, tujuan akhir analisis ini adalah untuk mengetahui seberapa lama objek yang diteliti dapat bertahan hingga mencapai suatu titik tertentu. Untuk penggunaannya sendiri sangatlah luas. Contoh penerapan dalam industri manufaktur bisa dilihat pada equipment failure analysis.
Penerapan analisis survival dan komponen lain dalam data science sebenarnya sangat dekat dengan kehidupan sehari-hari. Bahkan mungkin tanpa disadari, Anda sudah menerapkannya untuk memudahkan suatu proses. Bicara soal data science memang tidak akan selesai dalam satu artikel saja. Untuk pemahaman yang lebih mendalam, Anda bisa mengikuti kelas dari Algoritma Data Science School. Informasi lebih lengkap bisa Anda dapatkan di sini!
Referensi: