KLASIFIKASI SENYAWA KELADI TIKUS MENGGUNAKAN ALGORITMA KNN, GAUSSIAN NAÏVE BAYES DENGAN MENERAPKAN IMBALANCE DATA BORDERLINE SMOTE

Iwan Binanto, Nesti Fronika Sianipar, Frista Dea, Margareta Navi Primadani, Theresia Winnie Kartikasari

Abstract


Data seimbang atau imbalanced data merupakan keadaan di mana distribusi kelas data yang tidak seimbang yaitu jumlah data yang satu lebih sedikit atau lebih banyak dari kelas lainnya. Menangani data yang tidak seimbang telah menjadi tantangan besar selama dua dekade terakhir. Keseimbangan data merupakan faktor yang penting untuk diperhatikan, karena mempengaruhi hasil yang diperoleh. Penelitian ini bertujuan untuk melakukan perbandingan metode antara KNN, Gaussian Naïve Bayes, dan Random Forest untuk menentukan metode yang paling baik  berdasarkan data tanaman keladi tikus. Data yang tidak seimbang akan diseimbangkan dengan menggunakan metode oversampling yaitu Borderline-SMOTE. Dari penelitian yang telah dilakukan, algoritma KNN, Gaussian Naïve Bayes, dan Random Forest pada data yang sebenarnya (belum seimbang) menghasilkan nilai akurasi berturut-turut sebesar 0.984, 0.985, dan 1. Sedangkan pada data yang sudah diseimbangkan menghasilkan akurasi berturut-turut adalah sebesar 0.967, 0.499, dan 0.984. Algoritma random forest dapat mengklasifikasikan data yang seimbang dan belum seimbang dengan baik dibandingkan dengan algoritma yang lain. Hal ini karena algoritma random forest menghasilkan score akurasi, recall, F1-score, dan Precission yang tinggi dibanding dengan algoritma KNN dan Gaussian Naive Bayes pada data yang unbalance maupun balance.


Keywords


LCMS, imbalance data, oversampling, Borderline-SMOTE

Full Text:

PDF


DOI: http://dx.doi.org/10.36499/psnst.v13i1.9005

Refbacks

  • There are currently no refbacks.


https://zapclinic.com/spartan-cufonfonts/-/

Lumi777

situs slot

BPJS777

situs slot

kelas99

slot

https://thecliphouse.com/

sensasi777

situs judi bola terpercaya

situs judi bola terpercaya

sbobet88

slot

Judi Slot

dewajudiqq

MPO SLOT

Slot