SMOTE: METODE PENYEIMBANG KELAS PADA KLASIFIKASI DATA MINING

Abstract

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 menunjukkan
bahwa 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