Pemodelan Regresi Logistik Biner untuk Data Tidak Seimbang Melalui Kombinasi Synthetic Minority Oversampling Technique Nominal Continuous dengan Weighted K-Nearest Neighboars

Latar Belakang: Ketidakseimbangan data merupakan tantangan serius dalam pemodelan data kesehatan, khususnya pada klasifikasi berat badan lahir rendah (BBLR), yang menjadi indikator penting dalam menentukan tingkat kesehatan bayi baru lahir. Regresi logistik biner merupakan metode pemodelan statistik yang umum digunakan untuk klasifikasi biner, namun memiliki keterbatasan ketika diterapkan pada data tidak seimbang. Salah satu pendekatan yang berkembang adalah penggunaan Synthetic Minority Oversampling Technique - Nominal Continuous (SMOTE-NC) yang dikombinasikan dengan Weighted K-Nearest Neighbors (WK-NN) guna meningkatkan evaluasi model. Tujuan: Penelitian ini bertujuan untuk membangun model regresi logistik biner melalui kombinasi SMOTE-NC dengan WK-NN dalam menangani data tidak seimbang pada kasus BBLR di Kabupaten Buton Tengah. Metode: Penelitian ini menerapkan pemodelan regresi logistik biner untuk data tidak seimbang melalui kombinasi SMOTE-NC dengan WK-NN. Evaluasi pemodelan dilakukan berdasarkan kriteria akurasi, sensitivitas, dan spesifisitas. Hasil: Hasil penelitian menunjukkan bahwa pemodelan regresi logistik biner melalui kombinasi SMOTE-NC dengan WK-NN mampu meningkatkan keseimbangan distribusi kelas menjadi lebih proporsional antara BBLR dan tidak BBLR, serta menghasilkan akurasi sebesar 94%, sensitivitas 88%, dan spesifisitas 97%. Kesimpulan: Pemodelan regresi logistik biner melalui kombinasi SMOTE-NC dan WK-NN terbukti efektif dalam menangani data tidak seimbang dan meningkatkan performa klasifikasi pada kasus BBLR. Model ini dapat menjadi acuan dalam pengembangan sistem pendukung keputusan di bidang kesehatan ibu dan anak.