PREDIKSI LUMPY SKIN DISEASE BERDASARKAN FITUR METEREOLOGI DAN GEOSPASIAL MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE

Suparyati, Suparyati (2023) PREDIKSI LUMPY SKIN DISEASE BERDASARKAN FITUR METEREOLOGI DAN GEOSPASIAL MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.1023 Suparyati.pdf Download (3MB)

Abstract

Lumpy skin disease (LSD)merupakan salah satu penyakit pada sapi yang baru masuk ke Indonesia. Pencegahan dini penyebaran penyakit sangat diperlukan. Machine Learning membantu mengklasifikasikan LSD dengan memanfaatkan kumpulan data LSD yang ada dari Mendeley Data. Salah satu permasalahan dalam klasifikasi menggunakan machine learning adalah ketidakseimbangan data sehingga diperlukan teknik resampling. Tujuan dari penelitian ini adalah untuk mengoptimalkan klasifikasi Random Forest dalam memprediksi LSD dengan menggunakan Synthetic Minority Oversampling Technique (SMOTe )untuk menangani kelas data yang tidak seimbang. Hasil percobaan yang dilakukan menunjukkan bahwa penggunaan SMOTe pada klasifikasi Random Forest memberikan peningkatan terhadap nilai kinerja model dibandingkan dengan penelitian terdahulu oleh Savafi (2022) yang berupa nilai Recall meningkat 27% dari 71% menjadi 98%. F1-Score memiliki peningkatan 17% dari 79% menjadi 96% serta AUC meningkat sebesar 13% dari 85% menjadi 98%. Peningkatan nilai akurasi sebesar 3% dari sebelumnya 96% menjadi 99% menunjukkan bahwa model dapat mengklasifikasikan sapi yang tidak terinfeksi dengan baik. Metrik recall menjadi perhatian dalam penelitian ini pada klasifikasi LSD dengan harapan semakin tinggi skor, kesalahan klasifikasi sapi yang terinfeksi diprediksi oleh model menjadi sehat. Masih ada peluang untuk meningkatkan recall dengan menggunakan berbagai teknik resampling dan menentukan parameter model yang tepat di awal.

Actions (login required)

View Item