Penerapan Resampling pada Random Forest untuk Mengklasifikasikan Status Kebutuhan KB

Abstract

Jumlah penduduk Indonesia mengalami peningkatan yang cukup pesat sekitar 3.5−4 juta jiwa pertahun. Program Keluarga Berencana (KB) dibentuk pada tahun 1970 dengan tujuan untuk menurunkan tingkat kelahiran. Status kebutuhan KB dikategorikan menjadi dua kelas yaitu KB yang terpenuhi (met need KB) dan KB yang tidak terpenuhi (unmet need KB). Perbedaan tingkat unmet need KB dan met need KB menyebabkan ketidakseimbangan pada data. Random forest merupakan metode klasifikasi pada data kategorik berupa kumpulan pohon keputusan. Tujuan penelitian ini adalah memperoleh model terbaik dalam mengklasifikasikan status kebutuhan KB serta mengetahui peubah-peubah yang memengaruhi status kebutuhan KB berdasarkan random forest dengan resampling pada data tidak seimbang. Data yang digunakan adalah data SDKI (Survei Demografi dan Kesehatan Indonesia) BKKBN tahun 2017 yang terdiri atas 16 peubah kategorik. Penanganan data tidak seimbang dilakukan menggunakan undersampling, oversampling, dan Synthetic Minority Oversampling Technique (SMOTE). Hasil penelitian ini menunjukkan bahwa model dengan penerapan SMOTE menghasilkan F1-score dan AUC-PR tertinggi dalam mengklasifikasi status kebutuhan KB. Berdasarkan tingkat kepentingan peubah penjelas didapatkan banyak anak hidup, diskontinu KB dalam 5 tahun terakhir, kelahiran dalam 5 tahun terakhir, keinginan menambah anak, dan usia istri sebagai peubah penting dalam menentukan status kebutuhan KB pada pasangan usia subur.