Article Per Year (5 Year)
p-Index From 2020 - 2025
1.704
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Matematika Jurnal Fourier AdMathEduSt: Jurnal Ilmiah Mahasiswa Pendidikan Matematika EDU-MAT: Jurnal Pendidikan Matematika JURNAL SILOGISME : Kajian Ilmu Matematika dan Pembelajarannya EDUPEDIA JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Imajiner: Jurnal Matematika dan Pendidikan Matematika Jurnal Ilmiah Matematika Bulletin of Applied Mathematics and Mathematics Education Euclid Jurnal Riset Sistem dan Teknologi Informasi Teknomatika: Jurnal Informatika dan Komputer
Julan Hernadi
Universitas Ahmad Dahlan
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Teknomatika: Jurnal Informatika dan Komputer

 1 
Klasifikasi Data Tak Seimbang Menggunakan Algoritma Random Forest dengan SMOTE dan SMOTE-ENN: (Studi Kasus pada Data Stunting) Anju Fauziah; Julan Hernadi
Jurnal Teknomatika Vol 17 No 2 (2024): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/teknomatika.v17i2.1530

Abstract

Algoritma random forest merupakan salah satu metode klasifikasi pembelajaran mesin yang banyak digunakan karena memiliki keunggulan dalam mengurangi resiko overfitting sekaligus meningkatkan kinerja prediksi secara umum. Namun untuk data dengan kelas tidak seimbang, algoritma ini tidak mampu mencapai performa maksimal khususnya dalam memprediksi data pada kelas minoritas. Untuk itu artikel ini menawarkan dua metode resampling untuk menyeimbangkan data, yaitu Synthetic Minority Oversampling Technique (SMOTE) dan Synthetic Minority Oversampling Technique with Edited Nearest Neighbors (SMOTE-ENN). Untuk klasifikasi data diterapkan algoritma random forest terhadap data asli dan hasil resampling baik menggunakan SMOTE maupun SMOTE-ENN. Studi kasus diterapkan pada data stunting yang berjumlah 421 pada kelas mayoritas dan 79 pada kelas minoritas. Diperoleh akurasi 89% pada data asli, 90% pada data hasil resampling dengan SMOTE-ENN, dan 91% pada data resampling dengan SMOTE. Walaupun tidak terlalu signifikan, teknik resampling dengan SMOTE memberikan akurasi terbaik.
Co-Authors Anju Fauziah Azizah Fattu Rohmah Dhika Jeviana Fadhilah Afwiyah Fauziah, Anju Febriyana Putra Pratama Fuad Arianto Joko Eliyanto Purwadi, Joko Ramadhan, Fauzi Ria Rahayu Siti Nur Azizah Sri Wahyuningsih Suryantoro, M. Danang Widiarti, Arisma Yopanika Naurosa Khusnayani Zullinar Rifcha Wahyu Widiana