Perbandingan Random Forest dan SMOTE Random Forest pada Klasifikasi Berat Badan Lahir Rendah (BBLR)

Abstract

Berat Badan Lahir Rendah (BBLR) didefinisikan sebagai kondisi berat badan saat lahir kurang dari 2500 gram. Bayi yang lahir dengan kondisi BBLR lebih rentan terkena penyakit dan memiliki risiko lebih tinggi terjadi kematian pada umur dini. Kondisi BBLR dapat diprediksi menggunakan metode random forest. Metode random forest merupakan metode klasifikasi yang dapat menghasilkan error yang rendah dalam memprediksi suatu kejadian dan dapat mengatasi data latih dalam jumlah yang besar secara efisien. Namun, metode klasifikasi rentan terhadap ketidakseimbangan data. Salah satu metode yang dapat digunakan untuk mengatasi masalah ketidakseimbangan data adalah Synthetic Minority Oversampling Technique (SMOTE). Berdasarkan hal tersebut, penelitian ini bertujuan membandingkan kinerja metode klasifikasi random forest dan SMOTE random forest yang diaplikasikan pada kasus klasifikasi BBLR, serta mengidentifikasi peubah penting dalam memprediksi kejadian BBLR. Hasil penelitian menunjukkan bahwa metode random forest menghasilkan akurasi dan spesifisitas yang lebih tinggi dibandingkan SMOTE random forest, akan tetapi menunjukkan nilai sensitivitas dan AUC yang rendah. SMOTE random forest mampu meningkatkan nilai sensitivitas sebesar 25,32%, dan nilai AUC sebesar 1,72%. Hal ini membuat model SMOTE random forest lebih baik dalam memprediksi kejadian BBLR. Model SMOTE random forest menunjukkan nilai akurasi sebesar 79,84%, sensitivitas 30,99%, spesifisitas 83,6%, dan AUC 62%. Peubah penting dalam memprediksi kejadian BBLR, yaitu jumlah kunjungan pemeriksaan kehamilan, kuintil kekayaan, usia ibu saat melahirkan, suplemen zat besi, status pernikahan, dan kelahiran kembar.