Investigasi Performa Artificial Neural Networks Dengan Resampling dan Pembobotan Kelas Pada Data Berat Lahir Rendah Tidak Seimbang

Abstract

Berat lahir rendah (BLR) merupakan salah satu indikator krusial dalam memantau kesehatan bayi baru lahir. Upaya identifikasi dini terhadap risiko BLR penting dilakukan, namun tantangan muncul ketika data yang tersedia tidak seimbang, dengan jumlah kasus BLR jauh lebih sedikit dibandingkan bayi dengan berat lahir normal. Penelitian ini mengevaluasi kinerja model Artificial Neural Networks (ANN) dalam memprediksi BLR menggunakan dua pendekatan penyeimbangan data, yakni teknik resampling dan pembobotan kelas (class weighting). Dataset memuat data ibu yang pernah melahirkan dengan distribusi label tidak seimbang (6.8% BLR). Model ANN dirancang menggunakan fungsi aktivasi ReLU dan sigmoid serta dioptimasi dengan algoritma Adam. Evaluasi performa ANN dilakukan berdasarkan tiga metrik: akurasi, skor F1, dan AUC. Hasil menunjukkan bahwa teknik resampling berhasil menyesuaikan skor akurasi yang terlalu yang diakibatkan ketidakseimbangan data. Pembobotan kelas tanpa resampling juga memberikan hasil yang cukup setara dengan hasil resampling dari beberapa teknik resampling. Studi perbandingan teknik resampling pada kasus data BLR yang digunakan juga memperlihatkan bahwa teknik SMOTEEN memberikan performa model yang terbaik. Akan tetapi, ketika teknik dikombinasikan dengan pembobotan kelas, teknik SMOTE memperlihatkan kualitas prediksi yang lebih baik. Implikasi dari hasil ini dapat digunakan sebagai acuan dalam pengembangan sistem prediktif BLR di layanan kesehatan primer.