<![CDATA[Kondisi data tidak imbang (imbalance) merupakan salah satu tantangan utama dalam masalah klasifikasi terkait kualitas atau penyakit pada bidang agrikultur. Penelitian ini bertujuan untuk mengimplementasikan algoritma XGBoost dalam klasifikasi varietas kacang kering dengan fokus pada penanganan ketidakseimbangan kelas melalui pembobotan kelas. Dataset yang digunakan terdiri dari tujuh jenis kacang kering dengan berbagai karakteristik fisik yang diukur dalam piksel, yang meliputi fitur dimensi dan bentuk. Proses normalisasi dilakukan menggunakan teknik min-max normalization untuk memastikan skala data konsisten. Untuk menangani ketidakseimbangan kelas, teknik pembobotan kelas diterapkan dalam XGBoost, yang memberikan bobot lebih pada kelas minoritas. Grid Search dengan 5-fold cross-validation digunakan untuk menemukan kombinasi hyperparameter terbaik, yang menghasilkan akurasi cross-validation sebesar 92.5% dan skor terbaik pada 92.8%. Evaluasi model pada data uji menunjukkan akurasi 93%, dengan hasil precision, recall, dan f1-score yang seimbang pada setiap kelas. Hasil ini menunjukkan bahwa XGBoost dengan pembobotan kelas dapat mengatasi ketidakseimbangan kelas dan memberikan akurasi yang tinggi pada klasifikasi kacang kering]]>
Copyrights © 2025
