View/Open

Author
RAFELINA, OCTA LADELAVIA

Date Published
31 Aug 2026

Advisor
Ilham Firman Ashari, S.Kom., M.T,

Subject
Teknik Informatika

Publisher

Mortalitas anak merupakan indikator penting dalam menilai derajat kesehatan masyarakat suatu negara sejalan dengan target Sustainable Development Goals (SDGs). Namun, identifikasi faktor risiko melalui dataset kesehatan sering kali menghadapi kendala ketidakseimbangan kelas (class imbalance), di mana jumlah kasus kematian jauh lebih sedikit dibandingkan kasus kelangsungan hidup sehingga berisiko menciptakan bias pada model prediksi. Penelitian ini bertujuan untuk membangun dan membandingkan performa dua algoritma ensemble learning, yaitu Random Forest dan Extreme Gradient Boosting (XGBoost), dalam memprediksi risiko mortalitas anak. Metodologi yang digunakan mencakup tahap preprocessing dengan One-Hot Encoding serta penerapan teknik hybrid sampling SMOTE-ENN untuk menangani ketidakseimbangan data . Evaluasi model dilakukan melalui dua skenario, yakni menggunakan data asli (baseline) dan data yang telah diseimbangkan, dengan menitikberatkan pada metrik recall guna meminimalisir kesalahan false negative. Hasil penelitian menunjukkan bahwa algoritma XGBoost pada data asli merupakan model terbaik dengan nilai recall sebesar 0,957 dan f1-score 0,772. Keunggulan ini dicapai melalui fitur bawaan (scale_pos_weight) yang menangani ketidakseimbangan data secara otomatis. Penerapan SMOTE-ENN terbukti efektif meningkatkan performa Random Forest secara signifikan dengan kenaikan recall menjadi 0,901, meskipun diiringi trade-off berupa penurunan precision menjadi 0,634 . Sebaliknya, SMOTE-ENN justru menurunkan nilai recall pada XGBoost menjadi 0,880 akibat munculnya noise yang mengaburkan batas keputusan model . Penelitian ini menyimpulkan bahwa mekanisme boosting internal pada XGBoost memiliki ketahanan yang lebih baik dalam menangani data mortalitas anak yang tidak seimbang dibandingkan dengan pendekatan manipulasi data sintetis.

URI
https://repo.itera.ac.id/depan/submission/SB2609110015

Keyword
Mortalitas Anak Machine Learning Random Forest Extreme Gradient Boosting SMOTE-ENN