KOMBINASI SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) DAN NEURAL NETWORK DENGAN IMBALANCE CLASS PADA PREDIKSI KEGAGALAN KELUARGA BERENCANA

Abstract

Kegagalan akibat pemakaian kontrasepsi adalah terjadinya kehamilan pada seorang wanita pada saat menggunakan alat kontrasepsi secara benar. Kegagalan akibat pemakaian kontrasepsi di Indonesia merupakan data yang tidak seimbang (imbalance data). Rasio angka kegagalan dan keberhasilan pemakaian kontrasepsi yang cenderung tidak seimbang menyebabkan sulit diprediksi. Ketidakseimbangan data terjadi jika jumlah data suatu kelas lebih banyak dari data lain. Kelas mayor merupakan kelas yang jumlah datanya lebih banyak, sedangkan kelas yang jumlah datanya lebih sedikit disebut kelas minor. Dalam penelitian ini kelas mayor yaitu data keberhasilan Keluarga Berencana sedangkan kelas minor merupakan data kegagalan Keluarga Berencana. Tujuan dari penelitian adalah untuk meningkatkan akurasi prediksi kelas minor dan memprediksi kegagalan Keluarga Berencana dengan menggunakan metode kombinasi synthetic minority oversampling technique (SMOTE) dan neural network backpropagation. Metode SMOTE digunakan menyeimbangkan kelas minor dengan cara menduplikasi kelas minor agar setara dengan kelas mayor. SMOTE menghasilkan akurasi yang baik dan efektif dari pada metode oversampling dalam menangani imbalance class karena mampu meningkatkan akurasi dan mengurangi overfitting. Data kelas minor dan mayor yang telah seimbang kemudian prediksi dengan neural network backpropagation. Algoritma backpropagation terdiri dari 3 tahapan proses pelatihan yaitu propagasi maju, perubahan bobot dan propagasi balik. Sistem prediksi ini digunakan untuk mendeteksi seorang wanita mengalami kehamilan atau tidak jika menggunakan kontrasepsi implan, IUD dan MOW. Data penelitian diambil dari Kartu Status Keluarga Berencana hasil survey dari Petugas Lapangan Keluarga Berencana (PLKB). Penelitian ini menggunakan 300 data Implan, 250 Data IUD dan 230 Data MOW. Sistem prediksi menghasilkan nilai akurasi sebesar 96.1% pada data implan, 99% pada prediksi Kontrasepsi IUD dan MOW. Evaluasi sistem prediksi dengan menggunakan confusion matrix dan 10 fold cross validation. Implementasi kombinasi synthetic minority oversampling technique (SMOTE) dan neural network backpropagation terbukti mampu memprediksi pada kelas tidak seimbang (imbalance class) dengan hasil akurasi lebih dari 96%. Kata-kunci : imbalance class, neural network backpropagation, prediksi, alat kontrasepsi, SMOTE.   Contraceptive failure is the occurrence of pregnancy in a women while using contraception properly. Failure due to contraceptive use in Indonesia is imbalance data. The ratio of failure rates and success of contraceptive use that tends unbalanced cause difficult to predict. Data imbalance occurs when the amount of data in a class is more than other data. The major class is a with more data, while a class with less data is called a minor class. In this study the major class is data on the success of family planning while the minor class is a data of family planning failure. The aim of the research is improve the accuracy of prediction minor class and predict failure of family planning by using a combination of synthetic minority oversampling technique (SMOTE) and back propagation neural network. SMOTE method is used to balance the minor class by duplicating the minor class to be equivalent to the major class. SMOTE produces good and effective accuracy from the oversampling method in handling imbalance classes because it can improve accuracy and reduce overfitting. Balanced minor and major class data are then predicted by backpropagation neural networks. The backpropagation algorithm consists of 3 stages of the training process, namely forward propagation, weight change and back propagation.This prediction system is used to detect a woman experiencing pregnancy or not if using implant, IUD and MOW. The research data was taken from the family planning Status Card survey from the family planning Field Officer (PLKB). The study used 300 data of implant, 250 IUD Data and 230 Tubectomy data. The results of predictive an accuracy rate of 96.1% implant data, 99% in predictions of IUD and Tubectomy. Prediction system evaluation using confusion matrix and 10 fold cross validation. The combination of synthetic minority oversampling technique (SMOTE) and backpropagation neural network implementation has been proven to be able to predict unbalanced classes with results of more than 96% accuracy. Keywords: imbalance class, backpropagation neural network, prediction, contraception, SMOTE.