Penerapan Synthetic Minority Oversampling Technique Pada Pemodelan Regresi Logistik Ordinal Berat Lahir Bayi Di Provinsi Jawa Timur.

Abstract

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.