IMPLEMENTASI ALGORITMA SMOTE UNTUK PENANGANAN MASALAH IMBALANCE CLASS PADA KLASIFIKASI PENGOBATAN KUTIL KULIT DENGAN METODE IMMUNOTHERAPHY MENGGUNAKAN ALGORITMA NAIVE BAYES

Firdan, Yan Hairul (2021) IMPLEMENTASI ALGORITMA SMOTE UNTUK PENANGANAN MASALAH IMBALANCE CLASS PADA KLASIFIKASI PENGOBATAN KUTIL KULIT DENGAN METODE IMMUNOTHERAPHY MENGGUNAKAN ALGORITMA NAIVE BAYES. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (203kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (608kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (378kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (764kB)
	Text (BAB V) BAB V.pdf Download (77kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (95kB)
	Other (SOURCE CODE) Source Code-17.11.1754-Yan Hairul Firdan - Yan Hairul Firdan.rar Restricted to Repository staff only Download (83MB)
	Text (PUBLIKASI) Publikasi-17.11.1754-Yan Hairul Firdan - Yan Hairul Firdan.pdf Restricted to Repository staff only Download (683kB)

Abstract

Imbalance class merupakan masalah yang sering kali muncul di dalam bidang data mining. Imbalance class adalah kondisi dimana distribusi jumlah instance class memiliki perbedaan yang sangat besar sehingga terdapat class yang memiliki instance yang banyak disebut dengan majority class dan class yang memiliki jumlah instance yang sedikit disebut dengan minority class. Dengan adanya ketimpangan dan perbedaan jumlah instance yang sangat besar ini, menyebabkan algoritma-algoritma klasifikasi menghasilkan akurasi yang tinggi ketika mengklasifikasikan kelas mayoritas dan menghasilkan akurasi yang rendah ketika mengklasifikasikan kelas minoritas. Pada penelitian ini akan mengimplementasikan algoritma SMOTE untuk melakukan oversampling data dan algoritma naïve bayes untuk melakukan klasifikasi pada data yang telah di oversampling. Pengujian akan menggunakan skema 5-fold cross-validation. Pengujian dengan skema naïve bayes menghasilkan akurasi sebesar 0.733 atau 73.33%, sensitivity sebesar 0.2105 atau 21.05%, specificity sebesar 0.8732 atau 87.32%, recall sebesar 0.2105 atau 21.05%, precision sebesar 0.3076 atau 30.76% dan F-measure sebesar 0.2499 atau 24.99%. Pengujian dengan skema naïve bayes dan SMOTE skor akurasi,specitifity dan precision tertinggi diraih oleh kombinasi oversampling 200% dan jumlah KNN yang dipilih sebanyak satu data yaitu sebesar 0.7178 atau 71.78%, 0.7042 atau 70.42% dan 0.6666 atau 66.66%. sedangkan skor recall dan f-measure tertinggi didapatkan dengan menggunakan KNN sebanyak tujuh data yaitu sebesar0.8596 atau 85.96% dan 0.7259 atau 72.59%. Hal ini menunjukkan implementasi algoritma SMOTE berhasil menangani masalah imbalance class dan hanya mampu meningkat precision, recall dan f-measure.

Actions (login required)

View Item