<![CDATA[Salah satu permasalahan pada machine learning yang cukup sering terjadi adalah ketidakseimbangan data yang digunakan atau sering disebut dengan imbalanced dataset. Cukup banyak penelitian yang melaporkan bahwa imbalanced dataset ini seringkali memberikan hasil yang keliru. Perlu ada penanganan khusus sebelum imbalanced dataset tersebut dapat digunakan pada machine learning. Cara paling populer dan efektif dalam mengatasi permasalahan imbalanced dataset adalah melakukan resampling, baik oversampling, undersampling, ataupun kombinasi keduanya. Pada penelitian ini akan dilakukan uji coba teknik kombinasi dengan menggabungkan teknik oversampling Synthetic Minority Oversampling Technique (SMOTE) dengan teknik undersampling Edited Nearest Neighbors (ENN) dan TomekLinks terhadap Support Vector Machine (SVM). Tiga public dataset UCI yaitu Breast Cancer Wisconsin, Pima Indian Diabetes, dan Heart Disease Detection digunakan pada penelitian ini dengan Python sebagai alat bantu pemrograman. Berdasarkan hasil uji coba yang dilakukan diketahui bahwa teknik kombinasi dapat membantu mengatasi permasalahan imbalanced dataset pada machine learning, SMOTE-ENN dapat meningkatkan performa akurasi dari SVM sebesar 2% hingga 23%.]]>
Copyrights © 2021
