Kombinasi Metode Sampling pada Pengklasifikasian Data Tidak Seimbang Menggunakan Algoritma Support Vector Machine (SVM)

Kombinasi Metode Sampling pada Pengklasifikasian Data Tidak Seimbang Menggunakan Algoritma Support Vector Machine (SVM)

Klasifikasi, Oversampling, Undersampling,
Confusion Matrix, Support Vector Machine

Kelas tidak seimbang telah menjadi masalah pada pembelajaran mesin dan data
mining selama beberapa tahun ini. Kelas tidak seimbang adalah kelas yang
memiliki data yang tidak terdistribusi secara merata pada setiap kelasnya
dimana terdapat satu kelas yang memiliki jumlah data yang lebih banyak
dibanding kelas lainnya. Rasio ketidakseimbangan ini akan menyebabkan bias
dalam kumpulan data pelatihan yang akan mempengaruhi kinerja pada
pembelajaran mesin. Dimana menyebabkan terjadinya kesalahan klasifikasi
pada kelas minoritas sehingga kelas minoritas dinyatakan sebagai kelas
mayoritas. penelitian ini mencoba untuk menggunakan metode
Oversampling, Undersampling dan kombinasi OversamplingUndersampling pada data tidak seimbang sebagai pra-pemrosesan data
untuk selanjutnya dilakukan klasifikasi menggunakan algoritma Support
Vector Machine (SVM). Pada penelitian ini diperoleh kesimpulan bahwa
penerapan metode Oversampling, Undersampling dan kombinasi
Oversampling-Undersampling memiliki kemampuan yang baik dalam
menangani ketidakseimbangan kelas dataset Credit Card Fraud walaupun pada
nilai AUC, Oversampling memiliki nilai yang lebih rendah dibanding metode
Undersampling dan kombinasi Over-Undersampling

Annisa Fadhillah Pulungan, Desilia Selvida

Perpustakaan Horizon karawang

2022

Fajar bagus W

PDF

Indonesia

Text