<![CDATA[ADAPTIVE SMOTE-TOMEK DBSCAN UNTUK KLASIFIKASI PENYAKIT JANTUNG PADA DATA TIDAK SEIMBANG]]>

// <![CDATA[ADAPTIVE SMOTE-TOMEK DBSCAN UNTUK KLASIFIKASI PENYAKIT JANTUNG PADA DATA TIDAK SEIMBANG]]> 0422106801 - Dewi Rosmala , S.Si, M.IT. Dosen Pembimbing 1 HAIDAR RAHMAN KUSUMA / 152020141 Penulis Distribusi kelas yang tidak seimbang sering menyebabkan bias model terhadap kelas mayoritas dan menurunkan sensitivitas terhadap kelas minoritas. Penelitian ini mengusulkan metode Adaptive SMOTE-Tomek berbasis DBSCAN untuk menyeimbangkan distribusi kelas pada dataset Heart Attack Prediction in Indonesia. Hasil evaluasi dengan model XGBoost menunjukkan akurasi sebesar 84,50%, yang berarti model mampu memberikan prediksi benar pada sebagian besar data uji. Nilai G-Mean sebesar 84,48%menunjukkan keseimbangan performa antara sensitivitas kelas minoritas dan spesifisitas kelas mayoritas, sehingga model tidak condong hanya pada salah satu kelas. Selain itu, AUC-ROC sebesar 93,52% mencerminkan kemampuan model yang sangat baik dalam membedakan antara kelas Heart Attack dan Tidak Heart Attack. Temuan ini menegaskan bahwa pendekatan berbasis densitas sebelum penyeimbangan data mampu meningkatkan deteksi kelas minoritas sekaligus menjaga generalisasi model. Class imbalance often leads to model bias toward the majority class and reduces sensitivity to the minority class. This study proposes an Adaptive SMOTE-Tomek method based on DBSCAN to balance class distribution in the Heart Attack Prediction in Indonesia dataset. Evaluation results using the XGBoost model achieved an accuracy of 84.50%, indicating that the model correctly predicted the majority of test data. The G-Mean of 84.48% reflects balanced performance between the sensitivity of the minority class and the specificity of the majority class, ensuring that the model is not biased toward one class. Furthermore, the AUCROC of 93.52% demonstrates the model’s excellent ability to distinguish between Heart Attack and Non-Heart Attack classes. These findings confirm that a densitybased approach prior to data balancing can improve minority class detection while maintaining model generalization.