Detail Cantuman

Data yang tidak seimbang terjadi ketika distribusi kelas tidak sama antara kelas positif dan negatif, terutama dalam konteks kesehatan. Kelas mayoritas biasanya terdiri dari data pasien yang sehat, sedangkan kelas minoritas berisi data pasien yang sakit. Tingkat ketidakseimbangan data dibagi menjadi ekstrim, sedang, dan ringan. Oleh karena itu, dilakukan analisis perbandingan metode algoritma deep neural network dengan focal loss yang memiliki kemampuan untuk menangani ketidakseimbangan kelas pada saat pelatihan ditambah teknik data balancing menggunakan model kombinasi PCA-Kmeans untuk mereduksi dimensi dataset dan model ADASYN untuk melakukan oversampling pada kelas minoritas. Model terbaik tanpa menggunakan data balancing adalah model mild menghasilkan nilai akurasi sebesar 84%, nilai pada kelas 0 nilai pada kelas 0 f1-score 86%, sedangkan nilai pada kelas 1 f1-score 82% Model terbaik pada studi kasus data balancing pca-kmeans adalah model moderat menghasilkan nilai akurasi sebesar 89%, nilai pada kelas 0 f1-score 91%, sedangkan nilai pada kelas 1 f1-score 85%. Model terbaik pada studi kasus penyeimbangan data adasyn adalah model extreme yang menghasilkan nilai akurasi 95%, nilai pada kelas 0 f1-score 96%, sedangkan nilai kelas 1 mendapatkan f1-score 96%. Dari ketiga model uji coba tersebut, model terbaik didapatkan dengan menggunakan adasyn extreme data balancing dengan nilai akurasi 95%, nilai pada kelas 0 dengan f1-score 93%.