Penerapan Synthetic Minority Oversampling Technique Pada Pemodelan Regresi Logistik Ordinal Berat Lahir Bayi Di Provinsi Jawa Timur.
View/ Open
Date
2016Author
Fatharani, Risqin Ni’ma
Dina S, Itasia
Rizki, Akbar
Metadata
Show full item recordAbstract
Berat lahir bayi yang rendah sering dihubungkan dengan meningkatnya
resiko terserang penyakit, terhambatnya pertumbuhan dan perkembangan kognitif,
serta kematian pada bayi. Prediksi berat lahir bayi sejak dini diharapkan dapat
menekan angka berat lahir bayi rendah, sehingga diperlukan pemodelan berat lahir
bayi. Berat lahir bayi diklasifikasikan menjadi empat kategori yaitu Bayi Berat
Lahir Normal, Bayi Berat Lahir Rendah (BBLR), Bayi Berat Lahir Sangat Rendah
(BBLSR), dan Bayi Berat Lahir Ekstrim Rendah (BBLER). Pemodelan klasifikasi
berat lahir bayi menggunakan regresi logistik ordinal. Data yang digunakan adalah
data berat lahir bayi di Jawa Timur hasil Survei Demografi dan Kesehatan
Indonesia tahun 2012. Data tersebut banyak mengumpul di kategori bayi berat lahir
normal yaitu sebesar 82.19%. Banyaknya data yang tidak seimbang pada kategori
respon memengaruhi tingkat akurasi model dalam memprediksi klasifikasi respon.
Synthetic Minority Oversampling Technique (SMOTE) digunakan untuk
menyeimbangkan banyaknya data dengan cara membuat data sintetis secara acak.
Pembangkitan nilai acak menggunakan set.seed(9). Hasil penelitian menunjukkan
bahwa pemodelan klasifikasi berat lahir bayi dengan SMOTE menghasilkan nilai
Multiclass Extension of AUC (MAUC) lebih besar dibandingkan dengan tanpa
SMOTE, yaitu dari 0.854 menjadi 0.905. Selain itu nilai R2 Nagelkerke juga lebih
besar, yaitu dari 46.8% menjadi 72.6%. Penggunaan SMOTE pada data tidak
seimbang menghasilkan model yang lebih baik dan lebih akurat dalam memprediksi
klasifikasi berat lahir bayi.