Metode Klasifikasi Bagging dan Random Forest untuk Data Tidak Seimbang Kasus Anak Putus Sekolah di Provinsi Lampung

Abstract

Pemodelan klasifikasi saat ini sudah semakin berkembang dan penggunaannya sering ditemukan dalam berbagai bidang pekerjaan. Banyak penelitian yang telah dilakukan untuk mengetahui metode klasifikasi yang paling baik dalam memprediksi kelas suatu amatan. Sebagian besar dari penelitian tersebut menunjukkan bahwa metode bagging dan random forest paling baik dalam memprediksi kelas suatu amatan. Namun, hampir semua metode klasifikasi dapat bermasalah apabila dihadapkan dengan data yang tidak seimbang. Diketahui pula bahwa kasus anak putus sekolah merupakan kasus yang kemunculannya relatif lebih sedikit dibandingkan jumlah anak yang masih aktif bersekolah, sehingga kasus anak putus sekolah dapat dijadikan sebagai studi kasus data yang tidak seimbang. Tujuan dari penelitian ini adalah untuk membandingkan kinerja metode klasifikasi bagging dan random forest dalam memprediksi anak putus sekolah di Provinsi Lampung. Penelitian ini menghasilkan empat metode klasifikasi yang terbentuk, yaitu metode klasifikasi bagging dan random forest sebelum penanganan data tidak seimbang, serta metode klasifikasi bagging dan random forest setelah penanganan data tidak seimbang dengan Synthetic Minority Oversampling Technique (SMOTE). Perbandingan kinerja ditinjau dari nilai sensitivitas, akurasi yang diseimbangkan, dan skor F1 dari setiap metode klasifikasi. Hasil perbandingan menunjukkan metode random forest memiliki kinerja yang lebih baik dari metode bagging, baik sebelum maupun sesudah penanganan data tidak seimbang.