Penerapan SMOTE pada Metode CART untuk Penanganan Data Tidak Seimbang (Studi Kasus: Klasifikasi Pengangguran dan Bukan Pengangguran di Provinsi Banten).

Abstract

Publikasi Badan Pusat Statistik (BPS) menyatakan bahwa provinsi Banten selalu menjadi provinsi dengan Tingkat Pengangguran Terbuka (TPT) tertinggi di Pulau Jawa selama periode 2006 hingga 2016. Salah satu upaya dalam menyelesaikan masalah tersebut adalah dengan melakukan klasifikasi pengangguran dan bukan pengangguran serta mengidentifikasi karakteristiknya, agar kemudian kebijakan yang dibuat pemerintah tidak salah sasaran. Metode klasifikasi yang digunakan adalah metode Classification and Regression Tree (CART) yang memiliki kemudahan interpretasi terhadap hasil analisis. Akurasi suatu pohon klasifikasi dapat dilihat dari nilai spesifisitas, sensitivitas, dan Area Under Curve (AUC). Namun ketidakseimbangan data menyebabkan rendahnya nilai sensitivitas dan AUC. Salah satu alternatif untuk meningkatkan akurasi adalah dengan melakukan Synthetic Minority Oversampling Technique (SMOTE) pada tahap pra pengolahan data. Pohon klasifikasi dengan SMOTE lebih akurat dibandingkan dengan pohon klasifikasi tanpa SMOTE, karena mampu meningkatkan nilai sensitivitas menjadi 77.78%, dari sebelumnya yang hanya 6.35%. Selain itu, nilai AUC yang dihasilkan juga lebih tinggi yaitu sebesar 0.7846, sedangkan AUC pohon klasifikasi tanpa SMOTE sebesar 0.7507. Pohon klasifikasi terbaik menghasilkan 18 simpul terminal yang dipengaruhi enam peubah penjelas, yaitu usia, jenis kelamin, status kawin, status dalam keluarga, tingkat pendidikan, dan daerah tempat tinggal.