Jurnal Internasional Statistik dan Aplikasi 2020, 10 (5): 118-130 DOI: 10.

5923 /
j.statistics.20201005.02

Determinan Kematian Balita dari Data KDHS: Hutan

Bertahan Hidup Acak yang Seimbang
(BRSF) Teknik

Hellen Wanjiru Waititu 1, *, Joseph K. Arap Koskei 1, Nelson Owuor Onyango 2

1 Sekolah Ilmu Fisika dan Biologi, Universitas Moi, Eldoret, Kenya

2 Sekolah Matematika, Universitas Nairobi, Nairobi, Kenya

Abstrak Penelitian ini bertujuan untuk mengidentifikasi determinan kematian Balita (U5CM) berdasarkan Survei Demografi dan Kesehatan Kenya
(KDHS, 2014). Salah satu tantangan utama dengan kumpulan data Survei Demografi dan Kesehatan melibatkan ketidakseimbangan yang ekstrim antara
kelas kematian dan non-kematian. Dalam penelitian khusus ini, hanya 6,4% anak yang mengalami kematian balita sedangkan 94,6% yang bertahan
hidup lebih dari lima tahun. Untuk menetapkan determinan U5CM, kami memilih untuk menangani ketidakseimbangan kelas menggunakan empat teknik
penyeimbangan yang berbeda: Teknik Under-sampling Random, Random Over-sampling, Both-sampling, dan Synthetic Minority Over-sampling. Kami
kemudian melakukan seleksi variabel menggunakan Random Survival Forests mengikuti empat teknik. Variabel yang dipilih dari masing-masing empat
dataset kemudian digunakan dalam regresi Cox-PH untuk menentukan pengaruh kovariat terpilih terhadap kematian anak, setelah melakukan diagnostik
model yang sesuai. Setelah dilakukan analisis, variabel yang menyebabkan peningkatan bahaya kematian anak antara lain V206 (Jumlah anak yang
meninggal), V207 (Jumlah anak perempuan yang meninggal), V203 (Jumlah anak perempuan yang tinggal di rumah), V218 (Jumlah anak yang ada),
V238 (Jumlah persalinan dalam 3 tahun terakhir), HW72 (Berat badan untuk standar deviasi tinggi) dan interaksi antara B1 (Bulan Anak Lahir) dan V206.
Berdasarkan indeks pemilihan model, skema under-sampling balancing berkinerja baik untuk identifikasi determinan U5CM. Dengan mengelompokkan
variabel-variabel tersebut, penelitian ini mengidentifikasi karakteristik lahir anak (seperti umur saat lahir),

Kata kunci Kematian balita, Balanced Random Survival Forests, Ketidakseimbangan Kelas dalam data, regresi Cox-PH dalam analisis Survival

kelompok non-mortalitas dari data KDHS 2014. Kelompok kematian merupakan

1. Perkenalan kelas yang sangat minoritas (kurang dari 7%) dari seluruh populasi, sedangkan
non-mortalitas merupakan kelas mayoritas. Klasifikasi yang tidak seimbang
1.1. Latar Belakang adalah masalah umum dengan sebagian besar kumpulan data termasuk data
kematian, data penipuan, deteksi penipuan, prediksi klaim, prediksi default,
Keinginan untuk memahami determinan dari Under 5 Child Mortality
deteksi spam, dan lain-lain. Penanganan klasifikasi yang tidak seimbang telah
(U5CM) merupakan aspek penelitian yang sangat penting, seiring dengan
menjadi terkenal dalam banyak penelitian ([1], [2], [3], [4], [5]).
tujuan negara untuk mencapai Millennium Development Goals (MDG 2015
- 2030). Program Survei Demografi dan Kesehatan (DHS) sangat berperan
dalam memperoleh dan menyebarkan data perwakilan nasional yang
Data KDHS dikaitkan dengan 1.099 variabel dan
otentik tentang keluarga berencana, kesuburan, kesehatan ibu dan anak,
20.964 baris data. Karena data berdimensi tinggi, seseorang perlu
di antara masalah kesehatan lainnya. Survei DHS terbaru yang dilakukan
mengidentifikasi teknik pemilihan variabel yang efektif untuk menangani
di Kenya adalah KDHS
masalah seperti untuk mengidentifikasi determinan kematian anak.
Teknik pembelajaran mesin (yang tidak memerlukan asumsi distribusi
2014.
pada data) seperti Random Survival Forests, dukungan mesin vektor
Penelitian ini bertujuan untuk mengidentifikasi determinan U5CM di Kenya.
antara lain telah menerima aplikasi yang luas dalam studi yang
Perbandingan harus dibuat antara kematian dan
melibatkan dataset dimensi tinggi ([6], [7], [8], [9], [10], [11], [12]). Teknik
pembelajaran mesin ini berguna saat menangani masalah seperti
* Penulis yang sesuai:
hwaititu@cuea.edu (Hellen Wanjiru Waititu) imputasi data yang hilang, ketidakseimbangan klasifikasi, dan pemilihan
Diterima: 11 Sep 2020; Diterima: 30 Sep 2020; Diterbitkan: 15 Oktober 2020 Diterbitkan online variabel.
di http://journal.sapub.org/statistics
 Jurnal Internasional Statistik dan Aplikasi 2020, 10 (5): 118-130
Selain itu, data DHS sering dikaitkan dengan masalah data yang hilang. Ini sering
menjadi salah satu tugas analisis data utama sebelum menjalankan model yang
diinginkan. Dalam hal ini, dilakukan beberapa imputasi dengan menggunakan algoritma
RF, sebelum dilanjutkan dengan klasifikasi RSF. Namun dalam studi ini, kami
membahas lebih banyak tentang penanganan tantangan klasifikasi tidak seimbang
dalam data kematian.
Bagian selanjutnya dari makalah ini adalah sebagai berikut: Bagian 2
membahas metodologi yang digunakan dalam penelitian ini, mulai dari
deskripsi data, analisis data eksplorasi, efek ketidakseimbangan data, teori di
balik Random Survival Forests, struktur COX- Model PH digunakan, dan
terakhir kriteria pemilihan model menggunakan statistik konkordansi. Bagian 3
merangkum hasil penelitian baik dari pemilihan variabel menggunakan RSF
hingga kecocokan Cox-PH. Terakhir, bagian 4 menawarkan diskusi tentang
hasil kami terhadap penelitian lain yang sedang berlangsung tentang
determinan U5CM.
2. Metodologi
2.1. Deskripsi Data dan Persetujuan Etis
Data untuk penelitian ini diambil dari data Survei Demografi dan
Kesehatan Kenya (KDHS) 2014 [13]. Ini adalah Survei Demografi dan
Kesehatan (DHS) keenam yang dilakukan di Kenya sejak 1989. KDHS
adalah penelitian nasional yang dilakukan setiap lima tahun dengan tujuan
mengumpulkan berbagai data dengan minat yang kuat pada indikator
kesehatan reproduksi, kesuburan, kematian , kesehatan ibu dan anak,
nutrisi dan kebiasaan kesehatan yang dilaporkan sendiri di antara orang
dewasa [14]. Merupakan data survei sampel rumah tangga dengan
representasi nasional dimana rumah tangga dipilih secara acak dari
kerangka sampling Badan Pusat Statistik (KNBS).
Prosedur survei, instrumen, dan metode pengambilan sampel
yang digunakan dalam KDHS 2014 memperoleh rekomendasi etis
dari Institutional Review Board of Opinion Research Corporation
(ORC) Macro International Incorporated, sebuah perusahaan
kesehatan, demografis, riset pasar, dan konsultasi yang berlokasi di
New Jersey, AS. Kami mencari pendaftaran resmi di situs web DHS
dan mendapat izin untuk menggunakan data KDHS 2014. Data
diunduh dalam format SPSS dan terdiri dari 1.099 variabel dan
20.964 observasi. Menggunakan paket asing, data diimpor ke
perangkat lunak R versi 3.6 untuk analisis. Variabel dengan 100%
observasi yang hilang dan yang berkorelasi dihapus dari data yang
mengurangi jumlah variabel menjadi 786.
2.2. Eksplorasi dan Analisis Data
Data dieksplorasi dan dianalisis menggunakan software R. Ini
melibatkan meringkas dan memvisualisasikan karakteristik variabel
dalam dataset. Seluruh set data ditemukan
119
menjadi sangat tidak seimbang dengan kelas kematian yang memiliki 871
pengamatan, merupakan 4% dari keseluruhan data sedangkan kelas mayoritas
memiliki 20.093 pengamatan merupakan 96%. Untuk analisis ini, kami memilih
kumpulan data Nairobi hanya dari data KDHS (2014). Kovariat yang berbeda
antara lain wilayah, tempat tinggal, jenis kelamin, tingkat pendidikan, indeks
kekayaan, antara lain ditemukan juga memiliki ketimpangan kelas yang tinggi
(antara survivor dan non survivor), dengan ukuran kelas minoritas berkisar
antara 3% dan 6%.
Tujuan dari penelitian ini adalah untuk menemukan cara yang efektif dalam
menerapkan teknik pemilihan variabel yang disebut Random Survival Forest (RSF),
untuk menganalisis data dengan ketidakseimbangan. Data KDHS merupakan data
survei nasional yang diklasifikasikan menjadi 8 wilayah yang merupakan bekas
provinsi di Kenya. Untuk pekerjaan ini, kami menganalisis data hanya untuk wilayah
Nairobi, sebagai sistem perkotaan yang unik di Kenya. Ini adalah wilayah metropolitan
dengan fasilitas dan akses kesehatan yang lebih baik, sementara juga memiliki tingkat
kesenjangan sosial ekonomi yang tinggi di antara penduduk. Nairobi menjadi tuan
rumah beberapa pemukiman slam terbesar di dunia termasuk Kibera, Mukuru,
Mathare dan Kangemi. Namun, mayoritas masyarakat Nairobians berada pada
golongan menengah ke atas berdasarkan klasifikasi status sosial ekonomi yang
menikmati akses kesehatan dan gizi yang memadai bagi anak-anaknya.
Dalam data KDHS 2014, wilayah Nairobi sendiri dikaitkan dengan 788
kovariat dan 532 observasi. Beberapa variabel dalam subset data ini
ditemukan memiliki 100% informasi yang hilang dan yang lainnya sangat
berkorelasi. Variabel-variabel ini dihapus menyisakan 757 variabel.
Beberapa variabel yang dihapus dari data Nairobi antara lain variabel
yang terkait dengan pengobatan demam yang saat ini sudah tidak
digunakan, misalnya ML15A (waktu individu memulai obat malaria),
ML15B (hari ketika anak mengonsumsi obat malaria), ML15C (pertama
sumber fansidar), ML23C (sumber pertama anti malaria lainnya) antara
lain. Variabel lain seperti V000 (kode negara), V024 (De facto region of
residence), antara lain juga dihapus dari kumpulan data Nairobi.
Data ditemukan memiliki tingkat informasi yang hilang. Algoritme
"missForest," yang merupakan algoritme berbasis hutan acak untuk
imputasi data yang hilang [15] diterapkan untuk menangani data yang
hilang.
Dataset Nairobi sama-sama menunjukkan ketidakseimbangan kelas yang tinggi.
Ketidakseimbangan antara kelas mortalitas dan survivor ini secara jelas ditunjukkan pada
Tabel 1 (a) dengan representasi kelas minoritas 6,4% (kelas mortalitas). Demikian pula,
variabel dalam data (kovariat) menunjukkan ketidakseimbangan yang tinggi pada kelas
mortalitas. Tabel 1 (b) menunjukkan ketidakseimbangan antara kelas kematian dan yang
selamat di salah satu kovariat - jenis kelamin anak.
Tabel 1 (a). Ketidakseimbangan dalam data wilayah KDHS 2014 Nairobi
Status Total Persentase
Korban (Kasus yang disensor) 498 93,6%
Kematian (Jumlah Peristiwa yang diamati) Jumlah 34 6,4%
total 532 100%
120 Hellen Wanjiru Waititu dkk .: Penentu Kematian Balita dari Data KDHS: Teknik
ABalanced Random Survival Forests (BRSF)

Tabel 1 (b). Ketidakseimbangan dalam data KDHS 2014 wilayah Nairobi oleh
efek dari ukuran ini. Namun, ketika data seimbang, tingkat akurasi cenderung
Kovariat (Seks Anak)
menurun [25]. Hal ini dikaitkan dengan fakta bahwa data yang seimbang
Status / Jenis Kelamin Anak Perempuan Pria Total
mengurangi ukuran set pelatihan yang menyebabkan kemunduran model melalui
Korban (Kasus yang disensor) 254 244 498 penghilangan kasus yang ditemukan ke set pengujian.
Kematian (Jumlah Peristiwa yang diamati) Jumlah 17 17 34

Total 271 261 532 Algoritme pembelajaran mesin bertujuan untuk meminimalkan tingkat kesalahan

Persentase Peristiwa 6,3% 6,5% 6,4% secara keseluruhan daripada memperhatikan kelas minoritas. Oleh karena itu,
mereka tidak membuat prediksi yang akurat untuk kelas minoritas jika mereka tidak
Ketidakseimbangan seperti itu dapat menyebabkan kurangnya informasi dan kurang mendapatkan informasi yang cukup.
terwakili dalam kelas kematian yang merupakan minat besar dalam penelaahan kita. Hal ini

pada gilirannya dapat mengarah pada kesimpulan yang salah.
Data yang tidak seimbang telah terlihat sangat menghambat kinerja
klasifikasi algoritma pembelajaran, termasuk Random Forests dan metode
ensemble lainnya, karena pendapat mereka ditentukan dari kesalahan
klasifikasi [16]. Dalam set data yang tidak seimbang, pengklasifikasi sering
menunjukkan perilaku bias yang mendukung kelas mayoritas dan
menampilkan kelas minoritas dengan ringan [17]. Oleh karena itu, kami
tertarik pada konstruksi pengklasifikasi yang condong ke kelas minoritas,
dengan tetap menjaga ketepatan kelas mayoritas.
2.3. Ketidakseimbangan dan Pengaruhnya dalam Kumpulan Data
[25] dalam penelitiannya menunjukkan masalah yang dihadapi ketika data
ketidakseimbangan digunakan dalam algoritma data mining menemukan bahwa
algoritma cenderung merosot dengan menempatkan semua kasus ke kelas mayoritas
ketika data sangat tidak seimbang dan masih mencapai skor akurasi yang tinggi.
Karenanya, mengevaluasi kinerja algoritme dengan menggunakan akurasi prediksi saja
tidak tepat ketika data tidak seimbang.
Untuk mengatasi masalah ini, penting ketika bekerja dengan
algoritma pembelajaran mesin untuk bekerja dengan klasifikasi
seimbang. Namun, ini dalam banyak kasus terlewatkan. Oleh karena
itu, kami tertarik pada konstruksi pengklasifikasi yang condong ke
kelas minoritas, dengan tetap menjaga ketepatan kelas mayoritas.

Sebuah dataset dikatakan tidak seimbang secara teknis jika distribusi

kelasnya tidak sama. Namun, ketika ada disproporsi yang signifikan, atau 2.4. Teknik Penyeimbangan Data
dalam beberapa kasus ekstrim, di antara jumlah contoh dari setiap kelas
Berbagai teknik telah disarankan untuk memecahkan masalah yang terkait
masalah, maka dataset dikatakan tidak seimbang [18]. Misalnya, dalam
dengan ketidakseimbangan kelas. Kita dapat mengelompokkan teknik-teknik ini
kohort yang terdiri dari 1000 anak, seringkali kasus bahwa kelompok
menjadi empat kategori, tergantung bagaimana teknik tersebut menangani
kematian selama periode penelitian terdiri dari kurang dari 50 anak (mewakili
ketidakseimbangan. Kategori tersebut mencakup level data (atau teknik eksternal /
kurang dari 5%) atau kurang, sehingga menyisakan 95% plus sebagai
re-sampling), teknik level algoritme (atau internal), teknik pembelajaran sensitif
kelompok non-kematian. .
biaya dan metode berbasis ansambel. Tidak ada arahan terbuka yang
menunjukkan strategi terbaik untuk digunakan. Namun, banyak penelitian telah
Kelas data yang tidak seimbang adalah umum dalam banyak situasi
menunjukkan bahwa, teknik eksternal sangat meningkatkan kinerja akhir klasifikasi
kehidupan nyata termasuk data kematian di mana jumlah korban selamat
dibandingkan dengan kumpulan data yang tidak diproses sebelumnya untuk
melebihi angka kematian, catatan data diagnosis penyakit langka di mana
berbagai jenis pengklasifikasi [18]. Selain itu, teknik pengambilan sampel ulang
sejumlah besar pasien tidak memiliki penyakit, deteksi penipuan, dan lain-lain.
tidak bergantung pada pengklasifikasi, dapat dengan mudah diterapkan untuk
Dalam sebagian besar situasi data yang tidak seimbang, kelas yang kurang
masalah apa pun dan tidak memerlukan adaptasi algoritme apa pun ke kumpulan
terwakili adalah yang paling menarik, karena meskipun jarang, kelas minoritas
data [26]. Mereka juga mampu secara efektif menyeimbangkan dataset sehingga
dapat membawa pengetahuan penting dan berguna yang diperlukan dalam
menghasilkan set pelatihan yang sesuai untuk kalibrasi algoritma pembelajaran
prediksi.
mesin yang memuaskan [27]. [28], [29] dan [16] telah membuktikan keefektifan
distribusi kelas keseimbangan menggunakan teknik tingkat data.
Ketika kumpulan data tidak seimbang dan satu kelas mendominasi yang lain,
algoritme pembelajaran mesin seperti hutan acak antara lain memiliki masalah
dalam mengklasifikasikan dengan benar. Algoritme sensitif terhadap proporsi
kelas yang berbeda. Mereka sering menunjukkan perilaku bias yang mendukung
Dalam penelitian ini kami menerapkan teknik Data level Preprocessing (atau
kelas mayoritas dan menampilkan kelas minoritas dengan ringan [16], [19]. Hal ini
eksternal). Metode menyeimbangkan kembali ruang sampel dengan tujuan untuk
menyebabkan tingkat kesalahan klasifikasi yang lebih tinggi pada sampel kelas
mengurangi pengaruh distribusi kelas yang tidak seimbang dalam proses
minoritas [20], [21] yang pada gilirannya menghasilkan akurasi prediksi yang
pembelajaran. Teknik tingkat data selanjutnya diklasifikasikan menjadi tiga
lemah dari kelas minoritas dan akurasi prediksi tinggi yang menyesatkan di kelas
kelompok [30] yaitu: metode under-sampling, metode over-sampling dan metode
mayoritas, sebagai hasil dari klasifikasi yang benar [22] , [23], [24]. Dengan
hybrids yang menggabungkan kedua metode sampling. Teknik level data yang
demikian, kinerja algoritma tersebut menurun secara signifikan dalam hal
digunakan dalam penelitian ini adalah:
memprediksi kelas minoritas.

a) Pengambilan sampel secara acak

Banyak algoritme pembelajaran mesin dirancang untuk memaksimalkan akurasi Ini bertujuan untuk menyeimbangkan set data dengan secara acak
secara keseluruhan. Ini bisa menyesatkan dalam set data yang tidak seimbang karena menghilangkan contoh dari kelas mayoritas hingga saat set data seimbang.
kelas minoritas memiliki nilai yang kecil Kelemahan utama dari metode ini adalah adanya
 Jurnal Internasional Statistik dan Aplikasi 2020, 10 (5): 118-130
kemungkinan besar untuk membuang data yang berpotensi berguna yang berkaitan
dengan kelas mayoritas yang mengarah pada kemungkinan hilangnya informasi.
b) Over-sampling acak
Sementara metode under-sampling melibatkan pengambilan sampel dari
kelompok mayoritas, metode over-sampling menghasilkan sampel baru untuk
kelas minoritas. Untuk menyeimbangkan data menggunakan metode ini,
observasi dari kelas minoritas digandakan. Instance baru dibuat dari yang sudah
ada; karena itu pengambilan sampel yang berlebihan tidak menambah informasi
tetapi meningkatkan bobot kelas minoritas dengan replikasi. Salah satu
keuntungan dari metode pengambilan sampel yang berlebihan adalah tidak
adanya kehilangan informasi. Namun, karena pengambilan sampel yang
berlebihan hanya membuat salinan yang tepat dari pengamatan kelas minoritas,
hal itu meningkatkan kemungkinan pemasangan berlebih karena replikasi. Oleh
karena itu, meskipun akan ada peningkatan dalam akurasi pelatihan data,
keakuratan data secara keseluruhan mungkin lebih buruk. Selain itu, saat
menangani kumpulan data besar yang tidak seimbang,
c) Kedua-pengambilan sampel
Metode ini menggabungkan kedua metode pengambilan sampel berlebih di bawahdan
pengambilan sampel dengan melakukan penggantian pengambilan sampel berlebih dengan
pada
kelas minoritas sementara kelas mayoritas menjalani pengambilan sampel tanpa
penggantian.
d) Teknik Synthetic Minority Oversampling (SMOTE).
Ini adalah metode hybrid dalam teknik pengambilan sampel ulang di mana
pendekatan under-sampling dan over-sampling digabungkan dengan tujuan untuk
mengatasi kekurangannya. SMOTE telah menjadi salah satu pendekatan paling
menonjol di bidang penyeimbangan data [18]. Ide kunci dalam SMOTE yang diusulkan
oleh [32] adalah untuk menghasilkan sampel baru dari kelas minoritas secara artifisial.
Ini membantu untuk menghindari penyesuaian berlebihan yang disebabkan oleh
penggandaan ulang instance kelas minoritas. Selain itu, contoh kelas mayoritas kurang
diambil sampelnya, sehingga menghasilkan kumpulan data yang lebih seimbang.
Pembuatan sampel Sintetis mengambil langkah-langkah berikut:
• Pilih minoritas dan minoritasnya secara acak • tetangga kelas minoritas
terdekat. Nilai dari • ditentukan oleh jumlah oversampling yang
dibutuhkan.
• Hitung selisih antara vektor minoritas terpilih dan vektor
tetangga terdekatnya.
• Selisih yang didapat kemudian dikalikan dengan angka acak antara 0
dan 1. Hasilnya ditambahkan ke vektor minoritas terpilih. Dengan
demikian, titik acak baru ditambahkan di sepanjang garis yang
menghubungkan dua vektor yang dipertimbangkan.
SMOTE dengan demikian diimplementasikan sebagai berikut. Membiarkan • • jadilah
vektor fitur untuk minoritas yang dipilih dan • • menjadi vektor fitur
tetangga yang dipilih secara acak. Sintetis baru
minoritas • • dihasilkan di ruang fitur sebagai: • • = • • +
• (• • - • •) dimana • ∼ Seragam (0; 1), adalah acak seragam
variabel. Sebuah titik sembarang dipilih di sepanjang segmen garis antara dua
titik yang dipertimbangkan. Dengan demikian, data yang dihasilkan secara
sintetis dapat diartikan secara acak
121
titik sampel di sepanjang segmen garis antara dua sampel minoritas
di ruang fitur.
Di lingkungan R, Paket DMwR [33] dan paket ROSE [34] digunakan untuk
meningkatkan penyeimbangan data. Paket ROSE [34] digunakan untuk
meningkatkan penyeimbangan data menggunakan metode under-sampling,
over-sampling dan both-sampling. Di sisi lain, paket DMwR [33], membantu
penyeimbangan data menggunakan SMOTE. Di SMOTE parameter
••••. •••• dan ••••. ••••• masing-masing mengontrol
jumlah pengambilan sampel berlebih dan pengambilan sampel sedang harus dilakukan.
Jika kumpulan data yang benar-benar seimbang diperlukan, kasus minoritas digandakan
sementara kelas mayoritas dibelah dua.
Dalam studi ini, kami menggunakan metode under-sampling, over-sampling,
both-sampling dan SMOTE untuk menyeimbangkan data wilayah Nairobi. Data yang
seimbang dianalisis menggunakan algoritma RSF.
2.5. Algoritma Hutan Bertahan Hidup Acak
Dataset KDHS memiliki total 1099 variabel yang berpotensi untuk
memprediksi kematian anak. Setelah beberapa latihan manajemen data,
jumlah kovariat kandidat dikurangi menjadi 757 kovariat yang mungkin.
Sebelum menyesuaikan model tipe regresi untuk memulai latihan
menentukan efek prediktor kematian anak, kami perlu melakukan latihan
pemilihan variabel untuk lebih mengurangi variabel penting ke subset
variabel penting yang dapat dikelola. Teknik Random Survival Forest,
yang dilengkapi dengan intuisi kita tentang kovariat yang masuk akal
untuk kematian anak menghasilkan sekumpulan maksimal 20 kovariat
yang berkurang untuk langkah-langkah regresi yang diikuti.
Algoritma Random Survival Forest dijelaskan sebagai berikut [35]:
Prosedur dimulai dengan menggambar secara acak •••••
Sebuah)
contoh bootstrap dari data awal yang terdiri dari •
sampel. Rata-rata, setiap sampel bootstrap menyisihkan 37% dari data
yang disebut data dari tas (OOB) sehubungan dengan sampel bootstrap
dan setiap sampel memiliki •
prediktor.
b) Untuk setiap sampel yang diambil, pohon kelangsungan hidup ditanam.
Konstruksi pohon kelangsungan hidup dimulai dengan pemilihan secara
acak •••• dari • bisa jadi
prediktor di • untuk berpisah. Nilai dari ••••
tergantung pada jumlah prediktor yang tersedia dan data spesifik.
Semua ••••• sampel bootstrap ditetapkan ke simpul paling atas dari
pohon yang juga disebut sebagai simpul akar. Node root ini kemudian
dipisahkan menjadi dua node anak yang masing-masing secara
rekursif dipisahkan secara progresif untuk memaksimalkan perbedaan
kelangsungan hidup antara node anak / meningkatkan homogenitas
dalam node.
c) Pohon tumbuh hingga ukuran penuh hingga titik ketika tidak ada simpul
anak baru yang dapat terbentuk karena kriteria penghentian bahwa simpul
akhir (simpul paling ekstrim dalam pohon jenuh) harus lebih besar dari
atau sama dengan
•••••••• acara unik.
d) Setelah pohon tumbuh dewasa, fungsi bahaya kumulatif (CHF)
dihitung serta mean dari semua CHF untuk ••••• pohon. Ini
dilakukan untuk mencapai
122 Hellen Wanjiru Waititu dkk .: Penentu Kematian Balita dari Data KDHS: Teknik
ABalanced Random Survival Forests (BRSF)

ansambel CHF. node homogen di pohon yang terdiri dari kasus dengan
e) Dengan menggunakan data out-of-bag (OOB) saja, kelangsungan hidup ensemble serupa. Kesalahan OOB
dihitung menggunakan yang pertama • pohon, dimana Kriteria pemisahan merupakan salah satu aspek dalam menumbuhkan pohon. Dalam
• = 1,. . . , •••••. penelitian ini, digunakan aturan pemisahan log rank dalam pemisahan node.

2.5.1. Pemisahan Node

2.5.2. Aturan Pemisahan Peringkat Log
Dari algoritma RSF, sebuah hutan berasal dari gambar secara
acak ••••• sampel bootstrap. Setiap sampel bootstrap menjadi root Aturan pemisahan log-rank memisahkan node dengan memilih pemisahan yang
dari setiap pohon di hutan. Ada menghasilkan pengujian log rank terbesar. Uji peringkat log adalah uji statistik yang paling
• prediktor di setiap sampel bootstrap. Dari • sering digunakan untuk membandingkan dua atau lebih sampel secara non-parametrik
prediktor, kami pilih secara acak •••• prediktor untuk pemisahan. Misalkan kita dalam data yang disensor. Asumsi PH adalah persyaratan kunci untuk optimalitas uji
ambil ℎ untuk menjadi ℎ •ℎ node untuk dipecah menjadi dua node anak. Di dalam peringkat log. Untuk pemisahan menggunakan kovariat • dan nilai pemisahannya
node ℎ, biarkan disana ada •
pengamatan masing-masing dengan waktu kelangsungan hidup dilambangkan dengan • •, dan •, kebaikan kecocokan akan diukur menggunakan statistik peringkat log yang
status sensor diberikan oleh
direpresentasikan sebagai;
0 jika individu l disensor •• •
••= •
1 jika individu l mengalami kematian • = 1 • •, 1 -
• ••, 1
• (•, •) =
Dalam data yang disensor kanan, semua detail pengembangan hutan
•
• • , 1 1 -, ••1 • •- • • •
mempertimbangkan hasilnya. Untuk data yang disensor dengan benar, hasilnya adalah •=1•• •• • •- 1 •

waktu bertahan hidup dan status sensor [36].

Persamaan ini mengukur besarnya pemisahan
Informasi pada waktunya • • dapat diringkas seperti pada Tabel 2 di bawah ini.
antara dua simpul anak. Pembagian terbaik diberikan oleh selisih
terbesar antara dua node anak yang diberikan oleh nilai terbesar L
Meja 2. Tabel ringkasan informasi pada saat itu • • (x, c).
RSF memberikan ukuran kepentingan variabel (VIMP) yang sama sekali
Waktu • • Set acara Selamat Set Risiko
nonparametrik. Dalam studi ini, dengan menggunakan model RSF, faktor risiko
Simpul 1 • •, 1 • •, 1 - • •, 1 • •, 1
yang sangat prediktif dari empat dataset yang seimbang diekstraksi. Prediktor
Simpul 2 • •, 2 • •, 2 - • •, 2 • •, 2
penting yang diekstraksi kemudian dipasang dalam model Cox PH untuk
Total •• ••- •• •• memperkirakan pengaruh prediktor yang signifikan secara statistik.

Dimana, • •, • singkatan dari jumlah peristiwa di anak perempuan

simpul • = 1,2 pada waktu • •, • • = • •, 1 + • •, 2 2.6. Menentukan Prediktor Kematian Anak

• •, • mewakili individu yang hidup di simpul anak perempuan
Model Cox ph [38] sering digunakan untuk menentukan
j, • = 1,2 pada waktu • •, • •, 1 adalah jumlah • • ≥ • •, • • ≤ •, secara kolektif pengaruh berbagai faktor risiko pada kelangsungan hidup
dimana • • adalah durasi bertahan hidup • •ℎ durasi individu. Rumus untuk model Cox ph ditulis sebagai dan • • waktu acara yang berbeda di
node ℎ •
• •, 2 adalah jumlah • • ≥ • •, • •> •
ℎ (•, •) = ℎ 0 ( •) exp (• • • •)
• • = • •, 1 + • •, 2 •=1

Dari •••• prediktor di node ℎ, ambil prediktor apapun
• ( misalnya usia). Menggunakan prediktor x, temukan nilai pemisahan
• ( misalnya dari umur prediktor, nilai pemisahannya bisa 2 tahun). Nilai
pemisahan • dipilih sedemikian rupa sehingga perbedaan kelangsungan
hidup untuk prediktor • antara • ≤ •
dan •> • dimaksimalkan. • ≤ • memisahkan ke node kiri sementara •> • pergi ke
simpul kanan. Perbedaan kelangsungan hidup antara dua node dihitung
menggunakan metode pemisahan yang telah ditentukan. Prosedur ini diulangi
dengan nilai pemisahan lainnya • sampai kita mendapatkan nilai yang
menghasilkan perbedaan kelangsungan hidup maksimum dalam prediktor •. Prosedur
yang sama diulangi untuk sisanya •••• - 1
prediktor di node ℎ. Ini dilakukan sampai kita mendapatkan prediktor
• ∗ dan nilai split • ∗ yang menghasilkan perbedaan kelangsungan hidup maksimum
antara dua simpul anak [37]. Proses ini diulangi di setiap node. Ketika perbedaan
kelangsungan hidup maksimum, tidak seperti kasus yang berkaitan dengan
kelangsungan hidup yang didorong oleh pohon. Peningkatan jumlah node
menyebabkan kasus yang berbeda memisahkan lebih banyak. Ini menghasilkan
Rumus ini menampilkan risiko pada waktunya • untuk seorang individu
ditentukan oleh satu set kovariat X. Dalam hal ini, • adalah sekelompok variabel
yang digunakan dalam model untuk memprediksi risiko dari pengamatan yang
diberikan. Dari rumusnya, risiko di
waktu • adalah produk dari ℎ 0 •, fungsi bahaya dasar
dan exp • • = 1 ( • • • •), eksponensial dengan jumlah dari •
variabel prediktor di •. fungsi dasar bahaya menunjukkan risiko apa
yang akan terjadi bila tidak ada kovariat.
Koefisien • • memberikan besarnya pengaruh kovariat.
2.6.1. Memeriksa Asumsi COX-PH
Untuk penggunaan yang tepat dari model regresi bahaya
proporsional Cox, ada beberapa asumsi penting yang perlu
diperiksa.
Ini termasuk:
• Asumsi bahaya proporsional. Residu Schoenfeld digunakan
untuk menguji asumsi ini.
 Jurnal Internasional Statistik dan Aplikasi 2020, 10 (5): 118-130 123

• Hubungan fungsional antara log hazard dan kovariat. Sisa 3. Hasil

martingale digunakan untuk menilai asumsi ini.
3.1. Skema Penyeimbangan

• Kemungkinan adanya pencilan atau observasi yang berpengaruh. Deviance Ukuran sampel diperoleh setelah penyeimbangan yang berbeda
residual digunakan untuk memeriksa kemungkinan adanya observasi yang metode ditunjukkan pada Tabel 3 (a) dan 3 (b)
berpengaruh.
Tabel 3 (a). Data wilayah KDHS 2014 yang seimbang
2.7. Kriteria Pemilihan Model
Metode Penyeimbangan Status Total Persentase
Perbandingan akurasi prediksi model yang berbeda dilakukan berdasarkan indeks Disensor 34 50%
konkordansi. Dalam analisis kelangsungan hidup, sepasang pengamatan dikatakan
Di bawah pengambilan sampel Tidak disensor 34 50%
sesuai jika untuk individu yang mendapatkan peristiwa dengan cepat model
Total 68 100%
memprediksi risiko peristiwa yang lebih tinggi. Indeks konkordansi Harrell (C-index)
Disensor 498 50%
[39] digunakan untuk memperkirakan kesalahan prediksi. Ini memperkirakan
kemungkinan bahwa dalam sepasang kasus yang dipilih secara acak, kasus yang Pengambilan sampel berlebihan Tidak disensor 498 50%

memiliki peristiwa pertama kali memiliki hasil prediksi yang lebih buruk. Misalkan kita Total 996 100%

memiliki dua pengamatan yang hasilnya diprediksi. Jika observasi yang diprediksi Disensor 520 52%

memiliki hasil terburuk mengalami suatu peristiwa terlebih dahulu, maka kedua Keduanya pengambilan sampel Tidak disensor 480 48%
observasi tersebut dikatakan sesuai (yaitu memiliki praktik yang sesuai). Perhitungan
Total 1000 100%
tingkat kesalahan konkordansi seperti yang diberikan di bawah ini.
Disensor 68 50%

SMOTE Tidak disensor 68 50%

Total 136 100%

a) Prosedur dimulai dengan membentuk semua pasangan pengamatan
potensial dari seluruh data. Tabel 3 (b). Keseimbangan dalam KDHS 2014 data kelangsungan hidup Nairobi dikelompokkan berdasarkan jenis kelamin anak

b) Pasangan dihilangkan jika:

Status Pria
• Pengamatan dengan durasi hidup yang lebih pendek disensor. Metode Penyeimbangan Perempuan Jumlah

Disensor 17 17 34

• Durasi bertahan hidup sama untuk pasangan tetapi satu atau kedua Di bawah pengambilan sampel Tidak disensor 17 17 34

observasi disensor. Total 34 34 68

c) Setelah penghilangan selesai, kami tetap dengan semua pasangan lainnya yang Disensor 254 244 498

disebut sebagai pasangan yang diizinkan. Pengambilan sampel berlebihan Tidak disensor 242 256 498

Skor nilai 1 diberikan kepada pasangan yang diizinkan jika: Total 496 500 996

• Untuk semua pasangan yang memiliki durasi kelangsungan hidup yang tidak sama Tidak disensor 275 245 520

sehingga prediksi menjadi lebih buruk untuk pengamatan dengan durasi Keduanya pengambilan sampel Disensor 248 232 480

kelangsungan hidup yang lebih pendek. Total 523 477 1000

• Untuk semua pasangan yang memiliki durasi kelangsungan hidup yang seragam
Disensor 28 40 68
sehingga menghasilkan hasil prediksi yang serupa.
SMOTE Tidak disensor 33 35 68
• Untuk semua pasangan yang memiliki durasi kelangsungan hidup yang sama
Total 61 75 136
mengingat tidak kedua pengamatan tersebut adalah peristiwa, pengamatan dengan

peristiwa menghasilkan hasil prediksi yang lebih buruk.

Metode penyeimbangan data yang berbeda menghasilkan ukuran sampel
Skor nilai 0,5 diberikan kepada pasangan yang diizinkan jika:
yang berbeda. Metode under-sampling menghasilkan
• Untuk semua pasangan yang memiliki durasi kelangsungan hidup tidak sama, hasil
ukuran sampel terkecil 68 dengan kedua kelas kematian dan kelangsungan hidup
prediksinya sama.
masing-masing mengambil 34 observasi. Dua tabel 3 (a) dan 3 (b) menunjukkan
• Untuk semua pasangan yang memiliki durasi kelangsungan hidup yang sama, hasil
keseimbangan dalam kelas mortalitas dan non mortalitas dalam keseluruhan data serta
prediksi tidak sama.
dalam kovariat sampel.
• Untuk semua pasangan yang memiliki durasi kelangsungan hidup yang sama
Data yang seimbang kemudian dianalisis untuk pemilihan variabel menggunakan
mengingat tidak kedua pengamatan tersebut adalah peristiwa, hasil prediksi lebih
algoritma RSF. Hasil dari menjalankan algoritma RSF dengan menggunakan data
buruk untuk pengamatan dengan hasil yang disensor.
berimbang diberikan pada Tabel 4.
Jika kita menunjukkan jumlah semua pasangan yang diperbolehkan sebagai

Konkordansi, maka indeks konkordansi, C didefinisikan sebagai 3.2. Pemilihan Variabel Menggunakan RSF setelah Skema

••••••••••• Penyeimbangan Berbeda

•=
••••••••••• Dari hasil pada tabel 4 didapatkan hutan sebanyak 1000 pohon
Tingkat kesalahan, • diberikan oleh • = 1 - • tempat berkembang untuk setiap kumpulan data. Ini dilakukan dengan menggambar 1000
0 ≤ • ≤ 1. • = 0 menunjukkan akurasi yang sempurna saat sampel bootstrap dari masing-masing data awal dengan file
• = 0,5 setara dengan tebakan acak. ukuran sampel diberikan dalam tabel. Ukuran masing-masing bootstrap
124 Hellen Wanjiru Waititu dkk .: Penentu Kematian Balita dari Data KDHS: Teknik
ABalanced Random Survival Forests (BRSF)

sampel yang diambil diberikan sebagai ukuran resample yang digunakan untuk
menumbuhkan pohon pada tabel 4. Sampel bootstrap memiliki ukuran yang berbeda
tergantung pada ukuran sampel dari data awal dan metode balancing yang digunakan.
Masing-masing dari 1000 sampel bootstrap ditetapkan ke root pohon. Untuk
mengembangkan setiap pohon, 28 dari 757 kemungkinan prediktor dipilih secara acak
untuk dipisahkan. Node akar kemudian dipecah menjadi dua simpul anak yang
masing-masing secara rekursif dipisahkan secara progresif untuk memaksimalkan
perbedaan kelangsungan hidup antara simpul anak. Pembelahan node berlanjut hingga
setiap pohon tumbuh sempurna. Ini dicapai ketika node paling ekstrim memiliki tidak
kurang dari 15 kejadian berbeda. Artinya, sampel dengan jumlah kejadian lebih banyak
akan membentuk pohon yang lebih besar. Oleh karena itu, semakin banyak jumlahnya
peristiwa, semakin besar jumlah rata-rata node terminal dan semakin kecil tingkat
kesalahannya. Metode over-sampling dengan jumlah kejadian terbesar memiliki
tingkat kesalahan terkecil sedangkan metode under-sampling dengan jumlah
kejadian terkecil memiliki tingkat kesalahan tertinggi. Meskipun ukuran sampel
berbeda, namun jumlah variabel pada keempat sampel tersebut tetap sama. Ini
menjelaskan mengapa jumlah variabel yang dicoba pada setiap pemisahan dan
jumlah titik pemisahan acak sama dalam keempat sampel.
Prediktor yang diidentifikasi berdasarkan Balancing Random Survival Forest
(BRSF) dengan menggunakan metode balancing yang berbeda disajikan pada tabel 5.

Tabel 4. Penerapan RSF dalam kumpulan data yang seimbang

Deskripsi Under-sampling Over-sampling Both sampling SMOTE

Ukuran sampel 68 996 1000 136

Jumlah kematian 34 498 480 68

Jumlah pohon 1000 1000 1000 1000

Ukuran simpul terminal hutan Rata-rata no. 15 15 15 15

node terminal Jumlah variabel yang dicoba di 2.518 20.461 19.867 5.41

setiap pemisahan 28 28 28 28

Jumlah tidak. variabel 757 757 757 757

Resample size used to grow trees 43 629 632 86

No. of random split points 10 10 10 10

Error rate 13.33% 7.11% 7.5% 13.32%

Table 5. Important variables from the different balanced datasets (selected variables had a variable importance > 0.02. For variable names, refer to the Appendix)

Balancing method

Under- sampling Over-sampling Both sampling SMOTE

Variable Importance Variable Importance Variable Importance Variable Importance

1 B7 0.0029 B7 0.0251 B7 0.0219 V206 0.0153

2 HW72 0.0086 HW71 0.0157 HW70 0.0105 V207 0.0103

3 HW70 0.0079 HW70 0.0124 HW73 0.0103 V219 0.0055

4 B12 0.0076 HW73 0.0111 HW72 0.0091 B7 0.0055

5 V219 0.0069 HW72 0.0111 HW71 0.0086 V218 0.0044

6 HW71 0.0057 B12 0.0075 V206 0.0063 V419 0.0038

7 HW73 0.0052 V206 0.0074 V214 0.0062 V238 0.0037

8 B8 0.0052 V214 0.0057 B12 0.0056 V203 0.0024

9 V206 0.0042 B8 0.0049 V207 0.0039 V417 0.0022

10 V207 0.0024 M1E 0.0035 B1 0.0035

11 V419 0.0029 V218 0.0035

12 H4M 0.0029 B8 0.0034

13 V208 0.0028 V419 0.0031

14 V218 0.0027 M1E 0.0026

15 V418 0.0024 V219 0.0026

16 V219 0.0024 HW1 0.0024

17 HW1 0.0022 V208 0.0024

18 B1 0.0020 V418 0.0023

19 V230 0.0020 V417 0.0021

20 V207 0.0020
 International Journal of Statistics and Applications 2020, 10(5): 118-130 125

The bigger the importance value, the higher the predictive ability of
the variable. Variables with VIMP exceeding
0.002 were considered predictive. From table 5, the oversampling
method which resulted to 498 events, extracted the highest number of
important predictors (20 predictors). Both-sampling method, which
resulted into 480 events, extracted 19 important variables. SMOTE
method extracted the smallest number of predictors (9 predictors)
followed by under sampling method (10 samples).
3.3. Determining the Variable Effects
removal of variable B7 from the model which had a p.value less than 0.05
showing statistical significance hence did not meet the requirements of PH
assumption and was deleted from the model. In SMOTE method, two
variables did not meet the PH assumptions and are not included in table 6.
In over-sampling and both sampling methods, quite a number of
variables as well as the global p.value resulted in statistically significant
test. Only a few which are given in table 6 satisfy the PH assumption
which is supported by a non significant test of hypothesis result. We
therefore assume proportional hazard assumption is met for the

In order to measure the effects of the selected variables on child
mortality, we fit a Cox PH model on the covariates from each variable
selection exercise. Before the predictors are fitted in the Cox model, ph
assumptions were tested.
3.3.1. Testing Cox Proportional Hazards (PH) Assumptions
Table 6 displays the results of proportional hazards assumption. The
global test gives a general picture of proportional hazards violations
among the variables in the model. Therefore, p.value < 0.05 suggests
one or more violations. For variables that do not satisfy the assumption,
interaction with time varying covariate is included. Variables that finally
do not satisfy the assumption even after interaction with time varying
covariate are not supposed to be included in the model.
From table 6, the test is observed to be statistically insignificant for
each of the predictors in the Under-sampling method (p.values >0.05).
The global test is also statistically insignificant in Under-sampling
method. This is after
variables in table 6. Column “Rho” represents the Pearson product
moment correlation between the scaled Schoenfeld residuals and log
(time) for each predictor.
In the Schoenfeld residuals graphs shown in Fig 1, the broken lines
representing a standard error band around the fit while the continuous line
represents a smoothing spline fit to
the plot. The line of fit is expected to stay close to the horizontal axis
within the whole expanse of time, in order to conclude that the PH
assumption holds. This is the case for all covariates selected from the
Under-sampling scheme.
The pattern of the deviance residuals shown in Fig 2 looks fairly
symmetric around zero. The positive values represent individuals who
died too soon compared to the expected survival times while the
negative values represent individuals who lived too long. The very large
or very small values are the outliers which are poorly predicted in the
model. In general, we have symmetry along the zero – line and have no
fear for presence of outliers or influential observations in the data.

Table 6. Statistical tests

Under sampling method SMOTE

Covariate Rho Chi-square P.Value Covariate Rho Chi-square P.Value

V206 0.1609 0.872 0.350 V206 - 0.0166 0.0136 0.9073

V207 0.1956 0.888 0.346 V207 0.0740 0.1944 0.6593

V219 - 0.1931 0.856 0.355 V203 0.2104 2.8585 0.0909

B8 - 0.2369 1.075 0.300 V218 - 0.2186 3.5175 0.0607

B12 - 0.2004 2.322 0.128 V219 0.1316 1.0958 0.2952

HW70 - 0.0496 0.177 0.674 V238 0.1183 0.9276 0.3355

HW71 - 0.1515 1.285 0.257 V419 0.0684 0.2812 0.5959

HW72 0.0529 0.153 0.695 Global NA 12.8034 0.0770

HW73 0.1674 1.870 0.171

Global NA 10.882 0.284

Over sampling method Both sampling method

Covariate Rho Chi-square P.Value Covariate Rho Chi-square P.Value

HW72 - 0.1667 0.9343 0.334 V206 0.101 3.05 0.0807

H4M - 0.0355 0.0474 0.828 V207 0.136 4.85 0.0277

B1:V206 - 0.0248 0.2277 0.633 Global NA 5.54 0.0627

Global NA 1.0825 0.781

126 Hellen Wanjiru Waititu et al.: Determinants of Under Five Child Mortality from KDHS Data:
ABalanced Random Survival Forests (BRSF) Technique

Figure 1. Schoenfeld residuals for variables in under sampling method

Figure 2. Deviance residuals for under sampling method

3.3.2. Parameter Estimates negative coefficient reduces the risk of death and thus raises the expected
survival span.
From the previous section, we noted that the different balancing
In explaining the determinants of child mortality, one therefore is
methods yielded different sample sizes and different predictors from the
interested in the variables with positive coefficient, which are
RSF classification. After diagnostic tests on Cox PH models, the
positively related with the event (mortality) probability, and
respective predictors were fitted to the parsimonious Cox PH model [37]
consequently negatively related with the length of survival. From table
in order to check concurrently the effect of different risk factors on
7, under-sampling method resulted in 9 predictors, out of which only 3
survival time.
were likely to increase the risk of death. Similarly, SMOTE returned 5
predictors that are likely to increase the risk of death out of 7
The results of fitting the Cox model are shown in Table 7. The
important variables which satisfy PH assumptions. Over-sampling and
regression coefficient column marked “Coefficient” gives estimates of the
both-sampling method had 3 and 2 predictors respectively all of which
logarithm of the hazard ratio between the two groups. From the estimates,
had positive coefficients.
a positive coefficient is said to increase the risk of death (hazard) and thus
decrease the expected (average) survival time. On the other hand, a
 International Journal of Statistics and Applications 2020, 10(5): 118-130 127

Table 7. Result of fitting the respective predictors in Cox PH model

Under sampling method SMOTE

Predictor Coefficient Exp(coefficient) Se(coefficient) ••(> • ) Predictor Coefficient Exp(coefficient Se(coefficient) ••(> • )

V206 2.0637 7.8753 0.3988 2.29e-07 V206 2.2819 9.7956 0.3499 6.94e-11

V207 1.5189 4.5675 0.3728 4.61e-05 V207 1.8688 6.4805 0.3111 1.88e-09

V219 - 0.1912 0.8259 0.2032 0.3466 V203 0.0922 1.0966 0.2903 0.7509

B8 - 0.8111 0.4444 0.3636 0.0257 V218 0.3171 1.3732 0.4721 0.5017

B12 - 0.0589 0.9428 0.3246 0.0697 V219 - 0.1723 0.8418 0.4972 0.7289

HW70 - 0.0002 0.9998 0.0014 0.8667 V238 0.6561 1.9273 0.2286 0.0041

HW71 - 0.0005 0.9995 0.0011 0.6490 V419 - 0.6068 0.5451 0.3061 0.0474

HW72 0.0022 1.0022 0.0010 0.0340

HW73 - 0.0013 0.9987 0.0010 0.2124

Over sampling method Both sampling method

Predictor Coefficient Exp (coefficient) Se(coefficient) ••(> • ) Predictor Coefficient Exp (coefficient Se (coefficient) ••(> • )

HW72 0.0001 1.0000 2.152e-05 4.4e-09 V206 1.8300 6.2339 0.0763 <2e-16

H4M 0.0244 1.025 0.02115 0.25 V207 1.5285 4.6112 0.0730 <2e-16

B1:V206 0.1854 1.025 0.01161 <2e-16

Its often useful for interpretation to look at the “Exp(coefficient)”
column, which indicates the actual hazard ratio (HR) associated with
the covariates. A value of regression coefficient greater than zero is
equivalent to a hazard ratio greater than one, which shows that as the
value of the • •ℎ predictor increases (for continuous type covariates), the
event hazard increases and thus the length of survival decreases.
good fit according to the concordance Index. Under-sampling
method gives largest concordance value of
0.91 indicating the best model fit while over-sampling had the smallest
concordance value. SMOTE and both-sampling methods have almost
equal concordance value.
Table 8. Model fit statistics: Concordance measure

Description/ Under- Over- Both-

SMOTE
From table 6 for example, variable V206, in Method sampling sampling sampling
under-sampling method has ( •••••••••••) = •••(2.0637) Sample size 68 996 1000 136
= 7.8753. HR value which is clearly greater than 1 implies that variable
Concordance 0.91 0.781 0.8644 0.8645
V206 increases the hazard by a factor 7.8753. This is deduced from the
Standard error 0.0262 0.01206 0.0091 0.0243
fact that a predictor is related with increased risk when the value of HR>1,
and decreased risk when HR<1. When the HR value is close to 1, the Discordant 1386 248084 257769 5325

predictor has no impact on survival. From our results, there are 2 Concordant 137 69549 26991 830

predictors in under-sampling method associated with increased risk, 0 in Tied.x 0 0 31815 13

over-sampling, 2 in both-sampling and 4 in SMOTE (refer to Table 6
Tied.y 158 33849 23690 471
above).
Tied.xy 0 3621 10434 6

The column marked ••(> • ) gives the value of the

Wald statistic. Wald statistic evaluates whether the 4.
explanatory variables in a model are significant. A variable is
said to be statistically significant when its p.value is less than
0.05.
3.3.3. Model Goodness of Fit Statistic
The concordance statistic was used to analyze the performance of
the models on prediction of mortality. Concordance values are given
in Table 8 below.
High values of concordance indicate that for higher observed survival
duration, the model predicts higher probabilities of survival.
Concordance values ranges from 0 to 1. A perfect Concordance results
in a value of 1 while 0.5 is as good as random guessing. All our models
gave high concordance values above 0.7 with standard errors less than
0.02 as shown in Table 7. Hence all the models represent a
Discussions
The study attempts to understand the determinants of under five
mortality using survey data from DHS. In this case, Kenya DHS survey
2014 dataset was used for the analysis. The dataset (after variable
cleaning) is composed of
757 variables that are candidate determinants of Under five Child
mortality. This poses a problem of variable selection from such high
dimensional datasets preceding a proper analysis in which the intention is
to explain variable effects. Besides, there is too much class imbalance in
the datasets particularly where interest is to compare mortality and non
mortality groups. For instance, 6.4% of children experience mortality while
93.6% survived up to the age of 5 years. This imbalance is too huge that
a direct comparison (before balancing) between two such groups is likely
to yield biased
128 Hellen Wanjiru Waititu et al.: Determinants of Under Five Child Mortality from KDHS Data:
ABalanced Random Survival Forests (BRSF) Technique
results.
Two challenges were addressed in this study. One problem involved
trying to balance the dataset classes before making comparisons
between mortality and non mortality cases. The other challenge was due
to variable selection. One needs to conduct a proper variable selection
exercise in order to identify the correct set of variables to use for the
regression analysis.
Most studies explore determinants of child mortality using DHS survey
data. [6] used Uganda 1996, 2000, 2006 DHS dataset, [7] used Uganda
2011 DHS, [8] analyzed the data from complete birth histories of four
Nepal Demographic and Health Surveys (NDHS) done in the years 1996,
2001, 2006 and 2011, among many other studies. In this study, we have
also tapped into the richness of KDHS (2014) dataset, to establish the
determinants of U5CM. The key improvement over many studies that
have used DHS data to answer the same question lies in our choice to
ensure the following remedies are done: (i) class imbalance is eliminated
before comparisons are done, (ii) imputation for missing data is done
using a machine learning approach (the missForest package in R
software used), (iii) variable selection is accomplished again using a
machine learning algorithm (RSF). In most studies, researchers often use
self intuition or previous studies to determine which covariates to add to
their regression models. All these remedies were done before applying a
Cox PH regression on the data to reduce chance of reporting biased
findings.
Many studies commonly employed regression techniques to explore
the determinants of U5CM. Cox PH regression was used by [6], [7], [8] among
others. Although we also used the Cox PH model, we preceded it
diagnostics including multiple imputation, classification balancing,
variable selection, and Cox PH assumptions tests, to ensure that the
results from the Cox PH are more reliable.
Our findings show that child mortality is associated with variables
related to: child characteristics at birth (such as age at birth),
reproduction factors of the mother (such as number of siblings born
before), feeding characteristics and anthropometric measurements. This
is in line with other findings such as [6] who used Cox PH regression and
established that region of residence, sex of the child, type of birth
(multiple), birth interval (less than 24 months after the preceding birth),
and mother's education were related with an increased risk of children
mortality before their fifth birthday. [7] also established that factors
related to mother characteristics and previous births such as sex of the
child, sex of the head of the household and the number of births in the
past one year was found to be significant. [8] explored
the effect of mother’s education, child's sex, rural/urban
residence, household wealth index, regions ecological zones and
development.
It’s worth to note that even though most of the studies that rely on DHS
datasets ([6], [7], [8]) are challenged with high dimensional data and a
variable selection dilemma, there is no mention of any statistical form of
variable selection. DHS datasets typically are composed of over 700
variables that are candidate determinants of child mortality and one need
to carefully select which variables to include in the resultant regression
type models. Majority of the studies explore the effect of a predetermined,
select group set of covariates, based on self intuition or variables explored
from previous studies. We attempted to do a variable selection using a
machine learning algorithm, before subjecting the selected variables to
Cox PH regression.
Other than finding the determinants of under five mortality, different
data balancing methods were used and model selection done using
concordance index. In their research [40] used SMOTE to balance data
before integrating it with RSF. In this research, under-sampling method
resulted in a better model with a concordance index of 0.91 as
compared to other balancing methods used. SMOTE generates
synthetic samples along the line segment joining two minority samples.
By so doing there is a tendency of generating a decimal value in factor
or numeric variables which are not meant to be in decimal form. In as
much as under-sampling method may discard potentially useful data in
majority class there is no loss of data in the minority class which is our
main class of interest.
5. Conclusions
In this research, we presented a framework for determination of
under five child mortality using the 2014 KDHS data. The framework
involved data balancing, variable selection using RSF method and
variable prediction using Cox PH model. Various challenges and
effects of working with imbalanced data are discussed in this research
as well as the various data balancing methods. Analysis of four data
balancing methods; over-sampling, under-sampling both-sampling and
SMOTE techniques was conducted where under-sampling model
emerged the best with a concordance index of 0.91. Based on this
research, child mortality is associated with variables related to child
characteristics at birth (such as age at birth), reproduction factors of
the mother (such as number of siblings born before), feeding
characteristics and anthropometric measurements.
 International Journal of Statistics and Applications 2020, 10(5): 118-130 129

Appendix
Table 9. Description of Important variables

Category Variable Description

B1 Month of birth of child.

B7 Age at death of the child in completed months.

Child characteristics
B8 Current age of the child in single years for all living children.
at birth
Succeeding birth interval is calculated as the difference in months between the current birth and the
B12
following birth, counting twins as one birth.

V203 Total number of daughters living at home. Total

V206 number of sons who have died. Total number of

V207 daughters who have died.

Total number of births in the last five years is defined as all births in the months 0 to 59 prior to the month
V208
Reproduction of interview, where month 0 is the month of interview.
(siblings
V214 Imputed duration of the current pregnancy. Total
information)
V218 number of living children.

V219 Total number of living children including current pregnancy. Year of the last

V230 pregnancy termination.

V238 Total number of births in the last three years.

V417 Number of entries in the pregnancy and postnatal care history. Number of entries
Maternity and
V418 in the immunization history.
Feeding
V419 Number of entries in the height and weight table. Height for age standard

HW70 deviation (according to WHO). Weight for age standard deviation (according

HW71 to WHO). Weight for height standard deviations (according to WHO). BMI
Height and Weight
HW72 standard deviations (according to WHO).
and Hemoglobin
HW73

HW1 Age in months of the child.

Maternity M1E Last tetanus injection before last pregnancy (CMC).

journal of public health, 6(2), 136-140.

[7] Nasejje, J. B., Mwambi, H. G., & Achia, T. N. (2015). Understanding the
determinants of under-five child mortality in Uganda including the
REFERENCES estimation of unobserved household and community effects using both
frequentist and Bayesian survival analysis approaches. BMC public
[1] Lessmann, S. (2004). Solving Imbalanced Classification health, 15(1),
Problems with Support Vector Machines. In IC-AI ( Vol. 4, pp. 214-220). 1003.

[8] Sreeramareddy, C.T., Kumar, H.N., & Sathian, B. (2013). Time Trends
[2] Tang, Y., Zhang, Y. Q., Chawla, N. V., & Krasser, S. (2008). and Inequalities of Under-Five Mortality in Nepal: A Secondary Data
SVMs modeling for highly imbalanced classification. IEEE Transactions Analysis of Four Demographic and Health Surveys between 1996 and
on Systems, Man, and Cybernetics, Part B (Cybernetics), 39( 1), 281-288. 2011. PLoS ONE, 8(11): e79818. doi:10.1371/journal.pone.0079818.

[3] López, V., Fernández, A., Moreno-Torres, J. G., & Herrera,
F. (2012). Analysis of preprocessing vs. cost-sensitive learning for
imbalanced classification. Open problems on intrinsic data
characteristics. Expert Systems with
Applications, 39( 7), 6585-6608.
[4] Yan, Y., Liu, R., Ding, Z., Du, X., Chen, J., & Zhang, Y.
(2019). A parameter-free cleaning method for SMOTE in imbalanced
classification. IEEE Access, 7, 23537-23548.
[9] Gawande, R., Indulkar, S., Keswani, H., Khatri, M.,
& Saindane, P. (2019). Analysis and Prediction of Child Mortality in
India. International Research Journal of Engineering and Technology,
6(3), 5071-5074.
[10] Zhang, X., Tang, F., Ji, J., Han, W., & Lu, P. (2019). Risk
Prediction of Dyslipidemia for Chinese Han Adults Using Random Forest
Survival Model. Clinical Epidemiology, 11,
1047.

[5] Lin, E., Chen, Q., & Qi, X. (2020). Deep reinforcement
learning for imbalanced classification. Applied Intelligence,
1-15.
[6] Ayiko, R., Antai, D., & Kulane, A. (2009). Trends and
determinants of under-five mortality in Uganda. East African
[11] Cassy, A., Saifodine, A., Candrinho, B., do Rosário Martins,
M., da Cunha, S., Pereira, F. M., & Gudo, E. S. (2019). Care-seeking
behaviour and treatment practices for malaria in children under 5 years
in Mozambique: a secondary analysis of 2011 DHS and 2015 IMASIDA
datasets. Malaria journal, 18( 1), 115.
130 Hellen Wanjiru Waititu et al.: Determinants of Under Five Child Mortality from KDHS Data:
ABalanced Random Survival Forests (BRSF) Technique
[12] Liu, V. (2019). Predicting ovarian cancer survival times:
Feature selection and performance of parametric, semi-parametric,
and random survival forest methods.
Master Thesis, Simon Fraser University.
[13] Kenya National Bureau of Statistics, Ministry of Health[Kenya],
National AIDS Control Council [Kenya], Kenya Medical Research
Institute, National Council for Population and Development [Kenya],
ICF International.
Kenya demographic and health survey 2014. Nairobi, Kenya, [28] Chawla, N.V., Cieslak, D.A., Hall, L.O., Joshi, A.:
2015.
[14] Corsi, D. J., Neuman, M., Finlay, J. E., & Subramanian,
S. (2012). Demographic and health surveys: A profile.
International Journal of Epidemiology, 41, 1602–1613.
[15] Stekhoven, D. J., & Bühlmann, P. (2012). MissForest—
non-parametric missing value imputation for mixed-type data. Bioinformatics,
28(1), 112–118.
[16] Ali, H., Salleh, M. N. M., Saedudin, R., Hussain. K., &
Mushtaq, M. F. (2019). Imbalance class problems in data mining: a
review. Indonesian Journal of Electrical Engineering and Computer
Science. 14(2), 1560-1571.
[17] Galar, M., Ferńandez, A., Barrenechea, E., Bustince, H., &
Herrera, F. (2012). A Review on Ensembles for the Class Imbalance
Problem: Bagging-, Boosting-, and Hybrid-Based Approaches. IEEE
TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART
C: APPLICATIONS AND REVIEWS.
[18] Fernández, H. A., García, L. S., Galar, M., Prati, R. C.,
Krawczyk, B., & Herrera, F. (2018). Learning from Imbalanced Data
Sets. Springer, Gewerbestrasse 11, 6330 Cham, Switzerland.
[19] Zhao, Y., Cen, Y. Data Mining Applications with R;
Academic Press: Cambridge, MA, USA, 2013; ISBN
9780124115118.
[20] Datta, S., Das, S. Near-Bayesian support vector machines for
imbalanced data classification with equal or unequal misclassification
costs. Neural Netw. 70, 39–52 (2015).
[21] Ertekin, S., Huang, J., Bottou, L., Giles, C.L.: Learning on
the border: active learning in imbalanced data classification. In:
Proceedings of the Sixteenth ACM Conference on Information and
Knowledge Management, CIKM 2007, Lisbon, 6–10 Nov 2007, pp.
127–136 (2007).
[22] Cateni, S., Colla, V., Vannucci, M. A method for resampling
imbalanced datasets in binary classification tasks for real-world
problems. Neurocomputing 2014, 135, 32–41.
[23] He, H., Garcia, E.A. Learning from imbalanced data. IEEE
Trans. Knowl. Data Eng. 2009.
[24] Japkowicz, N.; Stephen, S. The class imbalance problem:
A systematic study. Intell. Data Anal. 2002.
[25] Olson, D.L. Data Set Balancing. In: Shi Y., Xu W., Chen
Z. (eds) Data Mining and Knowledge Management. CASDMKM 2004.
Lecture Notes in Computer Science,
3327, 71-80, (2005). Springer, Berlin, Heidelberg.
https://doi.org/10.1007.
Copyright © 2020 The Author(s). Published by Scientific &Academic Publishing
This work is licensed under the Creative Commons Attribution International License (CC BY). http://creativecommons.org/licenses/by/4.0/
[26] Ofek, N., Rokach, L., Stern, R., Shabtai, A. Fast-CBUS: A
fast clustering-based undersampling method for addressing the class
imbalance problem. Neurocomputing 2017, 243, 88–102.
[27] Fiorentini, N.; Losa, M. Handling Imbalanced Data in Road
Crash Severity Prediction by Machine Learning Algorithms.
Infrastructures 2020, 5, 61.
Automatically countering imbalance and its empirical relationship to
cost. Data Min. Knowl. Disc. 17(2), 225–252 (2008)
[29] Estabrooks, A., Jo, T., Japkowicz, N. A multiple resampling
method for learning from imbalanced data sets. Comput. Intell. 20(1),
18–36 (2004).
[30] Batista, G.E.A.P.A., Prati, R.C., Monard, M.C.: A study of
the behaviour of several methods for balancing machine learning training
data. SIGKDD Explor. 6(1), 20–29 (2004).
[31] Yen, S.J., Lee, Y.S. Cluster-based under-sampling
approaches for imbalanced data distributions. Expert Syst. Appl. 2009, 36,
5718–5727.
[32] Chawla, N.V., Bowyer, K.W., Hall, L.O., & Kegelmeyer,
W.P. (2002). Synthetic Minority Over-sampling Technique.
Journal of Artificial Intelligence Research, 16, 321-357.
[33] Torgo, L. (2010). Data Mining using R: learning with
case studies. CRC Press ( ISBN: 9781439810187).
http://www.dcc.fc.up.pt/~ltorgo/DataMiningWithR.
[34] Lunardon, N., Menardi, G., & Torelli, N. (2013). R package
ROSE: Random Over-Sampling Examples (version 0.0-3). Università di
Trieste and Università di Padova, Italia.
http://cran.r-project.org/web/packages/ROSE/index.html. [p79].
[35] Ishwaran, H., Kogalurt, U. B., Blackstone, E. H., & Lauer,
M.S. (2008). Random Survival Forests. The Annals of Applied Statistics, 2(3),
841-860.
[36] Breiman, L. (2003b). Setting up, using, and understanding
random forests V4.0. https://www.stat.berkeley.edu/~breima
n/Using_random_forests_v4.0.pdf.
[37] Weathers, W. & Cutler, R. (2017). Comparison of Survival
Curves Between Cox Proportional Hazards, Random Forests, and
Conditional Inference Forests in Survival Analysis.
All Graduate Plan B and other reports, 927.
https://digitalcommons.usu.edu/gradreports/927.
[38] Cox, D. R. (1972). Regression models and life-tables.
Journal of the Royal Statistical Society. Series B (Methodological),
34(2), 187 {220. URL: http://www.jstor.org/stable/2985181.
[39] Harrell, F. E., Califf, R. M., Pryor, D. B., Lee, K.L. & Rosati,
R.A. (1982). Evaluating the yield of medical tests. Journal of American
Medical Association, 247(18), 2543—2546.
[40] Afrin, K., Illangovan G., Srivatsa S. S., and Bukkapatnam S.
T. (2018) Balanced random survival forests for extremely unbalanced,
right censored data," arXiv preprint arXiv:
1803.09177.