Penerapan SMOTE pada Pemodelan Regresi Logistik Biner (Studi Kasus : Data Pekerja Tahun 2014 di Kabupaten Badung).

Abstract

Pekerja merupakan setiap orang yang mampu melakukan pekerjaan guna menghasilkan barang dan jasa untuk memenuhi kebutuhannya. Pekerja dapat dikategorikan menjadi dua, yaitu pekerja sektor formal dan pekerja sektor informal. Peubah respon yang diteliti pada penelitian ini adalah pekerja sektor formal dan pekerja sektor informal dengan model regresi logistik biner. Evaluasi yang digunakan untuk mengetahui tingkat ketepatan klasifikasi model adalah tabel kesesuaian klasifikasi dan nilai Area Under Curve (AUC). Jika amatan pada masing-masing kategori peubah respon tidak seimbang, dapat menyebabkan nilai evaluasi bernilai rendah. Salah satu metode untuk menangani masalah data tidak seimbang adalah Synthetic Minority Oversampling Technique (SMOTE). Metode SMOTE menambah jumlah data kategori minor dengan cara membangkitkan data buatan. Hasil evaluasi menunjukkan bahwa nilai akurasi pada model tanpa SMOTE (82%) lebih tinggi jika dibandingkan nilai akurasi pada model dengan SMOTE (76.46%). Nilai spesifitas model dengan SMOTE (83.24%) lebih rendah dibandingkan dengan nilai spesifitas pada model tanpa SMOTE (100%). Sedangkan, nilai sensitivitas pada model dengan SMOTE (45.45%) lebih tinggi dibandingkan dengan nilai sensitivitas model tanpa SMOTE (0%). Model dengan SMOTE memiliki nilai AUC sebesar 0.742 sedangkan model tanpa SMOTE memiliki nilai AUC sebesar 0.724. Berdasarkan keseluruhan evaluasi model SMOTE dapat digunakan untuk mengatasi masalah data tidak seimbang.