Putri, Manja Danova
(2024)
Pemodelan Klasifikasi CHAID dengan Pendekatan SMOTE untuk Menangani
Data Tidak Seimbang pada Kasus Kecelakaan Lalu Lintas Kota Pariaman.
Skripsi thesis, Universitas Negeri Padang.
Abstract
Kecelakaan lalu lintas merupakan salah satu permasalahan serius secara global
yang terus meningkat. Cedera dan kerusakan fisik akibat kecelakaan lalu lintas dapat
mempengaruhi kehidupan seseorang secara drastis, seperti, kemampuan untuk
bergerak, bekerja, dan menjalankan aktivitas sehari-hari, sehingga memerlukan
bantuan perawatan jangka panjang. Selain itu, tingginya jumlah korban akibat
kecelakaan lalu lintas akan memberikan kerugian cukup besar terhadap perekonomian
keluarga maupun perekonomian nasional. Pada penelitian ini dilakukan perbandingan
klasifikasi terhadap karakteristik yang mencirikan kondisi korban kecelakaan lalu
lintas Kota Pariaman menggunakan metode CHAID sebelum dan sesudah diterapkan
SMOTE.
CHAID merupakan salah satu metode dalam teknik klasifikasi untuk membangun
model klasifikasi berbasis pohon keputusan. CHAID membagi rangkaian data menjadi
subgrup-subgrup berdasarkan hubungan antara variabel dependen (Y) dengan variabel
independen (X). sedangkan, SMOTE merupakan salah satu teknik yang diterapkan
dalam rangka menangani ketidakseimbangan distribusi data dalam dataset.
Hasil klasifikasi CHAID memperoleh dua variabel yang signifikan terhadap
kondisi korban yaitu usia korban dan jenis kecelakaan. Sedangkan setelah penerapan
SMOTE diperoleh empat variabel yang signifikan yaitu jenis kecelakaan, usia korban,
peran korban dan jenis pekerjaan. Hasil evaluasi menunjukkan bahwa pemodelan
klasifikasi CHAID dengan penerapan SMOTE lebih baik dibandingkan dengan
pemodelan klasifikasi CHAID tanpa SMOTE. Setelah penerapan SMOTE, terjadi
peningkatan terhadap nilai spesifisitas yaitu 0,67 menjadi 0, 85. Sedangkan nilai
akurasi dan sensitifitas mengalami penurunan. Meskipun nilai sensitifitas mengalami
penurunan, namun peningkatan terhadap nilai spesifisitas membuktikan bahwa
penerapan SMOTE berhasil meningkatkan kemampuan model untuk
mengklasifikasikan kelas minoritas dengan baik. Selain itu dengan tingkat akurasi
sebesar 85% model tersebut secara keseluruhan menunjukkan hasil klasifikasi yang
baik.
Actions (login required)
![View Item View Item](/style/images/action_view.png) |
View Item |