PENGARUH METODE BALANCING DALAM PEMILIHAN ALGORITMA PADA PROBABILITAS KLASIFIKASI PENDONOR DARAH

Widyanto, Agung (2023) PENGARUH METODE BALANCING DALAM PEMILIHAN ALGORITMA PADA PROBABILITAS KLASIFIKASI PENDONOR DARAH. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.55.1256 Agung Widyanto.pdf Download (12MB)

Abstract

Dalam penambangan data, sering dijumpai kondisi data yang tidak seimbang dengan kelas tertentu (mayoritas) lebih mendominasi terhadap kelas lainnya (minoritas). Hal tersebut mengakibatkan hasil latih cenderung memprediksi kelas minoritas sebagai kelas mayoritas. Banyak penelitian yang mengungkap keseimbangan data meningkatkan performa pengklasifikasi. Penelitian ini menerapkan SMOTE+ENN sebagai penanganan keseimbangan kelas dengan pendekatan level data. Tujuannya tentu untuk meningkatkan performa pengklasifikasi. Namun apakah data yang dipaksakan seimbang memiliki pengaruh terhadap akurasi pengklasifikasi Naïve Bayes, SVM dan Random Forest. Digunakan data set transfusi darah dari repositori University of California, Irvine (UCI), dengan pendekatan segmentasi pendonor (RFMTC). Studi ini menemukan fakta bahwa dengan data set yang hanya seimbang belum tentu meningkatkan performa akurasi. Namun harus juga dipastikan bahwa datanya memiliki kualitas yang baik sehingga memiliki pola yang baik untuk pembelajaran mesin. Didapatkan kinerja akurasi pengklasifikasi Random Forest ≅99% (balance) dan ≅79% (imbalance), SVM ≅98% (balance) dan ≅80%(imbalance), dan Naïve Bayes ≅87% (balance) dan ≅78% (imbalance). Pernyataan ini membuktikan bahwa keseimbangan data mempengaruhi akurasi yang dihasilkan pada klasifikasi pendonor darah. Kedepannya, jika diperlukan implementasi lebih lanjut pada unit transfusi darah di Indonesia, maka diperlukan penyesuaian data primer yang memuat kriteria seleksi pendonor darah yang diatur dalam Peraturan Menteri Kesehatan dengan pendekatan RFMTC untuk mendapatkan pendonor darah potensial.

Actions (login required)

View Item