Penanganan Masalah Kelas Data Tidak Seimbang pada Pemodelan Risiko HIV di Papua

Abstract

Synthetics Minority Oversampling and Undersampling Technique (SMOUTE) merupakan metode perbaikan dari Synthetic Minority Oversampling Technique (SMOTE) yang digunakan untuk menangani ketidakseimbangan kelas data. Perbedaan antara SMOUTE dan SMOTE terletak pada tahap awal undersampling yang dilakukan pada kelas mayoritas. SMOUTE mengawali undersampling dengan pengelompokan kelas mayoritas melalui algoritme k-rataan. Serupa dengan SMOTE, SMOUTE akan membangkitkan amatan buatan kelas minoritas untuk dapat menyeimbangkan jumlah amatan kelas mayoritas sehingga masalah ketidakseimbangan kelas dapat diatasi. Masalah kelas data tidak seimbang akan berakibat pada ketepatan klasifikasi kelas minoritas yang dihasilkan sehingga masalah ini perlu ditangani. Data yang digunakan pada penelitian ini adalah data Surveilans Terpadu HIV – Perilaku 2006 (STHP-06) yang memiliki masalah ketidakseimbangan kelas dilihat dari jumlah responden positif HIV yang hanya sekitar 2.38% dari total seluruh responden yang berhasil diuji darahnya. Hasil klasifikasi dengan Pohon Klasifikasi C5.0 menunjukkan tidak ada satu pun amatan kelas minoritas yang berhasil diklasifikasi dengan benar. Peningkatan ketepatan klasifikasi kelas minoritas diperoleh dengan melakukan penanganan sebelum dilakukan klasifikasi dengan Pohon Klasifikasi C5.0. Hal ini disertai dengan penurunan ketepatan klasifikasi kelas mayoritas. Rataan ketepatan klasifikasi kelas minoritas terbaik diperoleh melalui penanganan SMOTE sebelum dilakukan klasifikasi.