SMOTE: METODE PENYEIMBANG KELAS PADA KLASIFIKASI DATA MINING

Arifiyanti, Amalia Anjani (Program Studi Sistem Informasi, Fakultas Ilmu Komputer Universitas Pembangunan Nasional “Veteran” Jawa Timur)
Wahyuni, Eka Dyar (Program Studi Sistem Informasi, Fakultas Ilmu Komputer Universitas Pembangunan Nasional “Veteran” Jawa Timur)

Scan : Jurnal Teknologi Informasi dan Komunikasi
Vol 15, No 1 (2020): Februari 2020

Abstrak. Kasus dengan kelas observasi yang memiliki kemunculan jarang seperti penipuan dan penyakit cenderung data yang muncul tidak seimbang antara satu kelas dengan kelas lain. Metode sampling merupakan salah satu metode untuk menangani ketidakseimbangan ini. Salah satu metode sampling yang digunakan adalah oversampling dengan SMOTE. Dengan metode ini, kelas minoritas direplikasi sebanyak kelas mayoritas. Keseimbangan data pada semua kelas berdampak pada performa model klasifikasi. Pada penelitian ini, model klasifikasi yang dihasilkan oleh logistic linear, KNN, dan Naive Bayes menunjukkanbahwa metode SMOTE meningkatkan performa model klasifikasi, sedangkan decision tree tidak menunjukkan hasil yang berbeda baik sebelum oversampling maupun setelah oversampling.Kata Kunci: Data Mining, Imbalanced Class, Klasifikasi, Oversampling, SMOTE  DOI : https://doi.org/10.33005/scan.v15i1.1850