Detail Cantuman

Ketidakseimbangan data pada permasalahan klasifikasi sering menyebabkan model lebih dominan mengenali kelas mayoritas dan kurang mampu mengidentifikasi kelas minoritas, sehingga kinerja pengenalan kelas minoritas menjadi rendah. Penelitian ini bertujuan untuk menganalisis pengaruh teknik penyeimbangan data terhadap kinerja klasifikasi serta membandingkan dua skema penerapan penyeimbangan, yaitu pembagian dataset sebelum penyeimbangan dan penyeimbangan sebelum pembagian dataset. Teknik penyeimbangan data yang digunakan meliputi Synthetic Minority Over-sampling Technique (SMOTE), Adaptive Synthetic Sampling (ADASYN), dan Random Under Sampling (RUS), yang selanjutnya dikombinasikan dengan algoritma klasifikasi XGBoost, CatBoost, dan LightGBM. Pengujian dilakukan pada tiga dataset dengan karakteristik berbeda, yaitu ISPU, Telco Churn, dan Stroke. Kinerja model dievaluasi menggunakan metrik recall, F1-score, AUC-ROC, dan G-Mean dengan fokus pada kelas minoritas. Hasil pengujian menunjukkan bahwa pada Dataset Telco Churn, penerapan ADASYN dengan skema penyeimbangan sebelum pembagian dataset menggunakan CatBoost meningkatkan recall kelas minoritas dari 0,48 menjadi 0,88 dan F1-score dari 0,55 menjadi 0,85. Pada Dataset Stroke, recall kelas minoritas meningkat dari 0,08 menjadi 0,96 dan F1-score dari 0,11 menjadi 0,95. Sementara itu, pada Dataset ISPU, data original telah menghasilkan kinerja klasifikasi yang sangat baik dengan nilai akurasi, recall, dan F1-score sebesar 1,00 sehingga penerapan teknik penyeimbangan data tidak memberikan peningkatan kinerja yang signifikan. Berdasarkan hasil tersebut, dapat disimpulkan bahwa teknik penyeimbangan data, khususnya ADASYN dengan skema penyeimbangan sebelum pembagian dataset, efektif dalam meningkatkan kinerja klasifikasi kelas minoritas pada dataset yang mengalami ketidakseimbangan kelas tanpa mengubah karakteristik distribusi data secara mendasar.