Ketidakseimbangan kelas (class imbalance) merupakan tantangan signifikan dalam pembelajaran mesin, di mana model cenderung bias terhadap kelas mayoritas. Extreme Learning Machine (ELM) dikenal memiliki kecepatan pembelajaran yang cepat, namun kinerjanya sering menurun pada dataset tidak seimbang jika hanya dievaluasi menggunakan akurasi standar. Literature review ini bertujuan untuk menganalisis penerapan ELM pada data tidak seimbang dan mengevaluasi efektivitas penggunaan metrik berbasis Geometric Mean (G-mean) dan F1-Score sebagai tolak ukur performa yang lebih objektif. Metodologi yang digunakan adalah tinjauan naratif terhadap studi kasus terbaru (2024-2025) yang menerapkan ELM pada domain berbeda: klasifikasi plankton, kualitas udara, dan diabetes, serta dikomparasikan dengan literatur fundamental terkait imbalanced learning. Hasil tinjauan menunjukkan bahwa integrasi teknik resampling seperti SMOTE secara konsisten meningkatkan nilai G-mean dan F1-Score. Penggunaan G-mean terbukti efektif dalam menyeimbangkan sensitivitas dan spesifisitas, sementara F1-Score menjadi indikator krusial pada optimasi hibrida ELM. Kesimpulannya, evaluasi berbasis metrik geometrik adalah komponen vital dalam perancangan model ELM yang robust.
Copyrights © 2026