Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia
DOI:
https://doi.org/10.30812/matrik.v20i2.1174Keywords:
CART, machine learning, naïve bayes, SVM, random forestAbstract
Penelitian ini akan mengkaji penerapan beberapa metode machine learning dengan memperhatikan kasus imbalanced data dalam pemodelan klasifikasi untuk penentuan risiko kejadian bayi dengan BBLR yang diharapkan dapat menjadi solusi dalam menurunkan kelahiran bayi dengan BBLR di Indonesia. Adapun metode meachine learning yang digunakan adalah Classification and Regression Tree (CART), Naïve Bayes, Random Forest dan Support Vector Machine (SVM). Pemodelan klasifikasi dengan menggunakan teknik resample pada kasus imbalanced data dan set data besar terbukti mampu meningkatkan ketepatan klasifikasi khususnya terhadap kelas minoritas yang dapat diihat dari nilai sensitivity yang tinggi dibandingkan data asli (tanpa treatment). Selanjutnya, dari kelima model klasifikasi yang iuji menunjukkan bahwa model random forest memberikan kinerja terbaik berdasarkan nilai sensitivity, specificity, G-mean dan AUC tertinggi. Variabel terpenting/paling berpengaruh dalam klasifikasi resiko kejadian BBLR adalah jarak dan urutan kelahiran, pemeriksaan kehamilan, dan umur ibu
Downloads
Download data is not yet available.
References
[1] Bappenas, Metadata Indikator Tujuan Pembangunan Berkelanjutan (TPB)/Sustainable Development Goals (SDGs) Indonesia Pilar Pembangunan Sosial. Jakarta: Bappenas, 2020.
[2] Bkkbn, “Bkkbn Survei Demografi Dan Kesehatan Indonesia 2017,†10 Februari 2017, 2017. https://www.bkkbn.go.id/detailpost/bkkbn-survei-demografi-dan-kesehatan-indonesia-2017 (accessed May 22, 2021).
[3] Kemenskes, Profil Kesehatan Indonesia Tahun 2019. Jakarta: Kementerian Kesehatan RI, 2019.
[4] J. Han, M. Kamber, and J. Pei, “Data Mining Concepts and Techniques,†Third Edit., Elsevier, 2012.
[5] M. Maalouf and M. Siddiqi, “Weighted logistic regression for large-scale imbalanced and rare events data,†Knowledge-Based Syst., vol. 59, pp. 142–148, 2014, doi: https://doi.org/10.1016/j.knosys.2014.01.012.
[6] G. King and L. Zeng, “Logistic Regression in Rare Events Data,†Polit. Anal., vol. 9, no. 2, pp. 137–163, 2001, doi: 10.1093/oxfordjournals.pan.a004868.
[7] T. Purwa, “Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017),†J. Mat. Stat. dan Komputasi, vol. 16, no. 1, pp. 58–73, 2019.
[8] S. H. Sumartini and S. W. Purnami, “Penggunaan Metode Classification and Regression Trees (CART) untuk Klasifikasi Rekurensi Pasien Kanker Serviks di RSUD Dr. Soetomo Surabaya,†J. Sains dan Seni ITS, vol. 4, no. 2, pp. 211–216, 2015, [Online]. Available: https://www.neliti.com/publications/15687/penggunaan-metode-classification-and-regression-trees-cart-untuk-klasifikasi-rek.
[9] M. Mambang and A. Byna, “Analisis Perbandingan Algoritma C. 45, Random Forest Dengan Chaid Decision Tree Untuk Klasifikasi Tingkat Kecemasan Ibu Hamil,†Semin. Naisonal Teknol. Inf. dan Multimed. 2017, vol. 5, no. 1, pp. 103–108, 2017.
[10] C. Oganis, S. Musdalifah, and D. Lusiyanti, “Klasifikasi Status Gizi Ibu Hamil Untuk Mengidentifikasi Bayi Berat Lahir Rendah (Bblr) Menggunakan Metode Support Vector Machine (Svm)(Studi Kasus Di Puskesmas Labuan),†J. Ilm. Mat. Dan Terap., vol. 14, no. 2, pp. 144–151, 2017.
[11] P. L. Kumalasari, “Sistem Pengambilan Keputusan untuk Menentukan Proses Persalinan dengan Metode Naïve Bayes dan Forward Chaining,†UNNES, 2020.
[12] M. S. Kosim, A. Yunanto, R. Dewi, G. I. Sarosa, and A. Usman, “Buku ajar neonatologi,†IDI, Jakarta, 2008.
[13] A. B. Setyawan, K. A. Notodiputro, and Indahwati, “Pemodelan Regresi Logistik Pada Kasus Berat Badan Lahir Rendah (Bblr) Dan Pengaruh Agregasi Data Terhadap Hasil Pendugaan,†IPB University, 2015.
[14] M. B. Johra, “Perbandingan Kernel Trick pada Non Linier Support Vector Machine (Studi Kasus: Pemilihan Penolong Persalinan di Provinsi Maluku Utara 2016).,†Universitas Padjadjaran, 2018.
[15] R. J. Lewis, “An introduction to classification and regression tree (CART) analysis,†in Annual meeting of the society for academic emergency medicine in San Francisco, California, 2000, vol. 14.
[16] L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen, Classification and regression trees. CRC press, 1984.
[17] K. Schouten, F. Frasincar, and R. Dekker, “An Information Gain-Driven Feature Study for Aspect-Based Sentiment Analysis,†in Natural Language Processing and Information Systems, 2016, pp. 48–59.
[18] S. R. Gunn, “Support vector machines for classification and regression,†ISIS Tech. Rep., vol. 14, no. 1, pp. 5–16, 1998.
[19] M. Maalouf and T. B. Trafalis, “Rare events and imbalanced datasets: an overview,†Int. J. Data Mining, Model. Manag., vol. 3, no. 4, pp. 375–388, 2011.
[20] M. Kubat and S. Matwin, “Addressing the curse of imbalanced training sets: one-sided selection,†in Icml, 1997, vol. 97, pp. 179–186.
[2] Bkkbn, “Bkkbn Survei Demografi Dan Kesehatan Indonesia 2017,†10 Februari 2017, 2017. https://www.bkkbn.go.id/detailpost/bkkbn-survei-demografi-dan-kesehatan-indonesia-2017 (accessed May 22, 2021).
[3] Kemenskes, Profil Kesehatan Indonesia Tahun 2019. Jakarta: Kementerian Kesehatan RI, 2019.
[4] J. Han, M. Kamber, and J. Pei, “Data Mining Concepts and Techniques,†Third Edit., Elsevier, 2012.
[5] M. Maalouf and M. Siddiqi, “Weighted logistic regression for large-scale imbalanced and rare events data,†Knowledge-Based Syst., vol. 59, pp. 142–148, 2014, doi: https://doi.org/10.1016/j.knosys.2014.01.012.
[6] G. King and L. Zeng, “Logistic Regression in Rare Events Data,†Polit. Anal., vol. 9, no. 2, pp. 137–163, 2001, doi: 10.1093/oxfordjournals.pan.a004868.
[7] T. Purwa, “Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017),†J. Mat. Stat. dan Komputasi, vol. 16, no. 1, pp. 58–73, 2019.
[8] S. H. Sumartini and S. W. Purnami, “Penggunaan Metode Classification and Regression Trees (CART) untuk Klasifikasi Rekurensi Pasien Kanker Serviks di RSUD Dr. Soetomo Surabaya,†J. Sains dan Seni ITS, vol. 4, no. 2, pp. 211–216, 2015, [Online]. Available: https://www.neliti.com/publications/15687/penggunaan-metode-classification-and-regression-trees-cart-untuk-klasifikasi-rek.
[9] M. Mambang and A. Byna, “Analisis Perbandingan Algoritma C. 45, Random Forest Dengan Chaid Decision Tree Untuk Klasifikasi Tingkat Kecemasan Ibu Hamil,†Semin. Naisonal Teknol. Inf. dan Multimed. 2017, vol. 5, no. 1, pp. 103–108, 2017.
[10] C. Oganis, S. Musdalifah, and D. Lusiyanti, “Klasifikasi Status Gizi Ibu Hamil Untuk Mengidentifikasi Bayi Berat Lahir Rendah (Bblr) Menggunakan Metode Support Vector Machine (Svm)(Studi Kasus Di Puskesmas Labuan),†J. Ilm. Mat. Dan Terap., vol. 14, no. 2, pp. 144–151, 2017.
[11] P. L. Kumalasari, “Sistem Pengambilan Keputusan untuk Menentukan Proses Persalinan dengan Metode Naïve Bayes dan Forward Chaining,†UNNES, 2020.
[12] M. S. Kosim, A. Yunanto, R. Dewi, G. I. Sarosa, and A. Usman, “Buku ajar neonatologi,†IDI, Jakarta, 2008.
[13] A. B. Setyawan, K. A. Notodiputro, and Indahwati, “Pemodelan Regresi Logistik Pada Kasus Berat Badan Lahir Rendah (Bblr) Dan Pengaruh Agregasi Data Terhadap Hasil Pendugaan,†IPB University, 2015.
[14] M. B. Johra, “Perbandingan Kernel Trick pada Non Linier Support Vector Machine (Studi Kasus: Pemilihan Penolong Persalinan di Provinsi Maluku Utara 2016).,†Universitas Padjadjaran, 2018.
[15] R. J. Lewis, “An introduction to classification and regression tree (CART) analysis,†in Annual meeting of the society for academic emergency medicine in San Francisco, California, 2000, vol. 14.
[16] L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen, Classification and regression trees. CRC press, 1984.
[17] K. Schouten, F. Frasincar, and R. Dekker, “An Information Gain-Driven Feature Study for Aspect-Based Sentiment Analysis,†in Natural Language Processing and Information Systems, 2016, pp. 48–59.
[18] S. R. Gunn, “Support vector machines for classification and regression,†ISIS Tech. Rep., vol. 14, no. 1, pp. 5–16, 1998.
[19] M. Maalouf and T. B. Trafalis, “Rare events and imbalanced datasets: an overview,†Int. J. Data Mining, Model. Manag., vol. 3, no. 4, pp. 375–388, 2011.
[20] M. Kubat and S. Matwin, “Addressing the curse of imbalanced training sets: one-sided selection,†in Icml, 1997, vol. 97, pp. 179–186.
Downloads
Published
2021-05-30
Issue
Section
Articles
How to Cite
[1]
P. R. Sihombing and I. F. Yuliati, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia”, MATRIK, vol. 20, no. 2, pp. 417–426, May 2021, doi: 10.30812/matrik.v20i2.1174.
Similar Articles
- Dairoh Dairoh, Very Kurnia Bakti, Muhammad Naufal, Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Rizky Hafizh Jatmiko, Yoga Pristyanto, Investigating The Effectiveness of Various Convolutional Neural Network Model Architectures for Skin Cancer Melanoma Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 1 (2023)
- Bambang Saras Yulistiawan, Rifka Widyastuti , RR Octanty Mulianingtyas , Galih Prakoso Rizky A, Hengki Tamando Sihotang, Developing the Adaptive Digital IT Governance Framework forNext-Generation IT Governance , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 25 No. 1 (2025)
- I Putu Hariyadi, Sentralisasi Manajemen Hotspot Menggunakan Transparent Bridge Tunnel EoIP over SSTP , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 16 No. 2 (2017)
- Lalu Zazuli Azhar Mardedi, Ariyanto Ariyanto, Analisa Kinerja System Gluster FS pada Proxmox VE untuk Menyediakan High Availability , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 1 (2019)
- Asep Syaputra, Aplikasi E-Kelurahan Untuk Peningkatan Pelayanan Administrasi dalam Mendukung Penerapan E-Government , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 2 (2021)
- Safrian Aswati, M. Sabir Ramadhan, Ada Udi Firmansyah, Khairil Anwar, STUDI ANALISIS MODEL RAPID APPLICATION DEVELOPMENT DALAM PENGEMBANGAN SISTEM INFORMASI , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 16 No. 2 (2017)
- Suwardi Annas, Bobby Poerwanto, Sapriani Sapriani, Muhammad Fahmuddin S, Implementation of K-Means Clustering on Poverty Indicators in Indonesia , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 2 (2022)
- Michelle Cantika Pontoan, Jay Idoan SIhotang, Erienika Lompoliu, Information Security Analysis of Online Education Management System using Information Technology Infrastructure Library Version 3 , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 2 (2023)
- Nenny Anggraini, Zulkifli Zulkifli, Nashrul Hakiem, Development of Smart Charity Box Monitoring Robot in Mosque with Internet of Things and Firebase using Raspberry Pi , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 1 (2024)
You may also start an advanced similarity search for this article.
.png)
