Claim Missing Document
Check
Articles

Found 1 Documents
Search

EFEKTIVITAS DAN VALIDITAS GEOMETRIC MEAN (G-MEAN) SEBAGAI METRIK EVALUASI UTAMA PADA KLASIFIKASI DATASET TIDAK SEIMBANG: SEBUAH TINJAUAN LITERATUR SISTEMATIS Ananda Putra Andika; Raj Alam Alam; Suryo Bramasto
Jurnal Ilmu Pengetahuan dan Teknologi Vol. 11 No. 2 (2026): Jurnal Ilmu Pengetahuan dan Teknologi (IPTEK)
Publisher : Institut Teknologi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31543/jii.v11i2.425

Abstract

Masalah ketidakseimbangan kelas (class imbalance) dalam pembelajaran mesin telah lama diketahui menyebabkan bias pada model prediksi, namun penggunaan metrik evaluasi yang tepat untuk menguantifikasi kinerja model pada kondisi ini masih menjadi perdebatan. Metrik standar seperti Akurasi sering kali menyembunyikan kinerja buruk pada kelas minoritas (accuracy paradox), sementara F1-Score memiliki keterbatasan dalam memperhitungkan True Negatives. Penelitian ini menyajikan Systematic Literature Review (SLR) komprehensif untuk mengevaluasi posisi dan efektivitas Geometric Mean (G-Mean) dalam literatur ilmiah terkini (2020–2025). Menggunakan protokol PRISMA, sebanyak 10 studi (6 studi primer terkini + 4 studi seminal) diekstraksi dari basis data IEEE Xplore, ScienceDirect, dan SpringerLink. Analisis tematik mengungkapkan tiga temuan kunci: (1) G-Mean secara konsisten mengungguli Akurasi dalam mendeteksi degradasi model pada rasio ketidakseimbangan ekstrem (>1:50); (2) G-Mean lebih disukai daripada F1-Score dalam domain diagnosis medis karena kemampuannya menyeimbangkan sensitivitas dan spesifisitas secara simultan; dan (3) Integrasi G-Mean ke dalam fungsi tujuan (loss function) terbukti mempercepat konvergensi pelatihan pada deep neural networks. Studi ini merekomendasikan adopsi G-Mean sebagai indikator standar stabilitas klasifikasi pada dataset tidak seimbang.