Fransiska Maria Indah
Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

PENERAPAN SMOTE UNTUK DATA TIDAK SEIMBANG PADA KLASIFIKASI INDEKS PEMBANGUNAN LITERASI MASYARAKAT DI INDONESIA MENGGUNAKAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBORS Fransiska Maria Indah; Rokhana Dwi Bekti; Maria Titah Jatipaningrum; Febriani Astuti
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 10 No. 01 (2025): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v10i01.5258

Abstract

Indeks Pembangunan Literasi Masyarakat (IPLM) adalah pengukuran terhadap usaha yang dilaksanakan oleh pemerintah daerah dalam membina dan mengembangkan perpustakaan untuk mencapai budaya literasi Masyarakat. IPLM di tingkat kabupaten/kota menunjukkan perbedaan signifikan sehingga memerlukan klasifikasi untuk mengidentifikasi daerah yang memerlukan perhatian khusus. Penelitian ini menggunakan Random Forest dan K-Nearest Neighbors untuk mengklasifikasikan IPLM berdasarkan lima dan dua kategori, dengan penanganan ketidakseimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Variabel bebas yang digunakan adalah Persentase Penduduk Miskin (P0), Pengeluaran per Kapita (PKP), Rata-rata Lama Sekolah (RLS), dan Persentase Perpustakaan Ber-SNP (PSNP). Pada klasifikasi IPLM berdasarkan lima kategori diperoleh model terbaik dari metode Random Forest tanpa SMOTE pada proporsi data 80:20 dengan mtry=1 dan ntree=100 yang menghasilkan nilai akurasi sebesar 62,14% dengan specificity yang tinggi. Pada klasifikasi IPLM berdasarkan dua kategori diperoleh model terbaik dari metode Random Forest dengan SMOTE pada proporsi data 80:20 dengan mtry=4 dan ntree=100 yang menghasilkan nilai akurasi sebesar 77,42% dengan sensitivitas, specificity, dan G-mean yang tinggi. Hasil yang berbeda ini menunjukkan bahwa SMOTE lebih baik digunakan pada data dengan dua kategori karena menghasilkan kinerja klasifikasi yang lebih baik.