Perbandingan Random Forest dan SMOTE Random Forest pada Klasifikasi Berat Badan Lahir Rendah (BBLR)
Date
2023Author
Yarah, Helena Ramadhini
Wijayanto, Hari
Oktarina, Sachnaz Desta
Metadata
Show full item recordAbstract
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.