UNJAYAUNJAYA

Teknomatika: Jurnal Informatika dan KomputerTeknomatika: Jurnal Informatika dan Komputer

Algoritma random forest merupakan salah satu metode klasifikasi pembelajaran mesin yang banyak digunakan karena memiliki keunggulan dalam mengurangi resiko overfitting sekaligus meningkatkan kinerja prediksi secara umum. Namun untuk data dengan kelas tidak seimbang, algoritma ini tidak mampu mencapai performa maksimal khususnya dalam memprediksi data pada kelas minoritas. Untuk itu artikel ini menawarkan dua metode resampling untuk menyeimbangkan data, yaitu Synthetic Minority Oversampling Technique (SMOTE) dan Synthetic Minority Oversampling Technique with Edited Nearest Neighbors (SMOTE-ENN). Untuk klasifikasi data diterapkan algoritma random forest terhadap data asli dan hasil resampling baik menggunakan SMOTE maupun SMOTE-ENN. Studi kasus diterapkan pada data stunting yang berjumlah 421 pada kelas mayoritas dan 79 pada kelas minoritas. Diperoleh akurasi 89% pada data asli, 90% pada data hasil resampling dengan SMOTE-ENN, dan 91% pada data resampling dengan SMOTE. Walaupun tidak terlalu signifikan, teknik resampling dengan SMOTE memberikan akurasi terbaik.

Berdasarkan simulasi tiga skenario klasifikasi diperoleh hasil bahwa SMOTE paling baik disusul SMOTE-ENN dan klasifikasi tanpa resampling data.Klasifikasi random forest menghasilkan nilai akurasi sebesar 89%, nilai presisi sebesar 78%, nilai recall sebesar 64%, dan nilai f1-score sebesar 68%.SMOTE meningkatkan nilai akurasi sebesar 2%, nilai presisi sebesar 2%, nilai recall sebesar 14%, dan nilai f1-score sebesar 11%.SMOTE-ENN meningkatkan akurasi sebesar 1%, nilai presisi sebesar 1%, nilai recall sebesar 7%, dan nilai f1-score sebesar 6%.Untuk meningkatkan performa klasifikasi random forest dengan SMOTE disarankan menambahkan atribut sebagai kriteria stunting.

Penelitian lanjutan dapat mengkaji penggunaan teknik resampling lain seperti SMOTE-Tomek atau SMOTE-SPS untuk membandingkan efektivitasnya dalam menangani ketidakseimbangan kelas. Selain itu, integrasi data demografi atau faktor ekonomi sosial ke dalam model bisa meningkatkan prediksi stunting secara lebih komprehensif. Peneliti juga dapat menguji algoritma klasifikasi alternatif seperti XGBoost atau LightGBM untuk melihat apakah performa mereka lebih baik dalam skenario ketidakseimbangan kelas. Pengembangan model hybrid antara resampling dan seleksi fitur berbasis domain knowledge juga layak dieksplorasi. Terakhir, penelitian bisa memperluas dataset dengan data dari wilayah geografis berbeda untuk meningkatkan generalisasi model.

  1. Vol. 2 No. 3 (2019): September 2019 | Media Publikasi Promosi Kesehatan Indonesia (MPPKI). vol publikasi... jurnal.unismuhpalu.ac.id/index.php/MPPKI/issue/view/58Vol 2 No 3 2019 September 2019 Media Publikasi Promosi Kesehatan Indonesia MPPKI vol publikasi jurnal unismuhpalu ac index php MPPKI issue view 58
Read online
File size314.84 KB
Pages10
DMCAReport

Related /

ads-block-test