<![CDATA[Permasalahan dataset tidak seimbang (imbalanced dataset) terjadi ketika distribusi kelas dalam dataset tidak seimbang. Ini bisa menjadi masalah dalam machine learning karena model memiliki kecenderungan untuk memprediksi kelas mayoritas, yang mengakibatkan kinerja bias terhadap kelas mayoritas dan akurasi yang rendah terhadap kelas minoritas. Penelitian ini bertujuan untuk melakukan analisis pengaruh proses oversampling data untuk penanganan klasifikasi data imbalanced. Pada penelitian ini melakukan komparasi pengaruh proses oversampling pada algoritma machine learning. Algoritma machine learning yang digunakan adalah metode ensemble dengan observasi pada dua base classifier yaitu support vector machine (SVM) dan naive bayes (NB). Metode oversampling yang digunakan adalah Synthetic Minority Oversampling Teechnique (SMOTE-IPF) dan SMOTE Borderline. Eksperimen dilakukan terhadap 9 dataset yang bertipe imbalanced. Dari hasil eksperimen dapat diketahui bahwa metode ensemble baik dengan base SVM dan Naive Bayes mengalami peningkatan saat adanya proses oversampling tersebut. Dari 9 dataset yang digunakan pada eksperimen, seluruhnya mengalami peningkatan performa yang diukur menggunakan parameter akurasi, presisi, recall dan F Measure. Pada base classifier SVM peningkatan performa tertinggi pada dataset Abalone 19 dengan penambahan oversampling SMOTE Borderline. Peningkatan akurasi terjadi dari 64.5% menjadi 84.5%. Kemudian pada base classifer Naive Bayes peningkatan peforma teringgi pada dataset Abalone 19 dengan penambahan Borderline SMOTE. Peningkatan akurasi terjadi dari 62.3% menjadi 82.3%.]]>
Copyrights © 2023
