Penanganan Data Tidak Seimbang Menggunakan Borderline Synthetic Minority Oversampling Technique (Borderline-SMOTE) pada Analisis Klasifikasi

IKA RAHMATUNNISA, Drs. Zulaela, Dipl.Med.Stats., M.Si.

2021 | Skripsi | S1 STATISTIKA

Data dan informasi terus mengalami pertambahan seiring dengan berkembangnya tekonologi digital. Ketersediaan data menjadi semakin banyak dan kompleks. Data tidak seimbang merupakan masalah yang sering muncul dalam analisis klasifikasi. Data tidak seimbang merupakan kondisi di mana distribusi kelas data yang tidak seimbang. Saat melakukan analisis klasifikasi pada data tidak seimbang, model klasifikasi yang dihasilkan cenderung memprediksi data yang berasal dari kelas mayoritas mengakibatkan performa klasifikasi menjadi kurang baik. Metode Borderline-SMOTE dapat diterapkan untuk menangani permasalahan data tidak seimbang. Metode Borderline-SMOTE merupakan metode yang dikembangkan dari metode SMOTE. Borderline-SMOTE merupakan metode oversampling yang menyeimbangkan data dengan membentuk instance sintetis dari kelas minoritas di area borderline. Pada skripsi ini dilakukan penerapan metode Borderline-SMOTE pada data yang tidak seimbang dengan menggunakan metode klasifikasi Random Forest dan Naive Bayes pada dua dataset. Dari analisis yang dilakukan penanganan data tidak seimbang dengan Borderline-SMOTE secara umum dapat meningkatkan performa klasifikasi metode Random Forest dan Naive Bayes.

Data and information continue to increase along with the development of digital technology. The availability of the data is becoming more and more complex. Imbalanced data is a problem that is often found in classification analysis. Imbalanced data is a condition where the distribution of data classes is not balanced. When classifying imbalanced data, the classification model tends to predict data that comes from the majority class resulting in poor classification performance. Borderline-SMOTE can be used to solve that imbalanced data problem. Borderline-SMOTE method is a method developed form the SMOTE method. Borderline-SMOTE is an oversampling method that creates a synthetic instance of the minority class in the borderline area. In this thesis, the Borderline-SMOTE method is applied to imbalanced data using the Random Forest and Naive Bayes classification methods on two datasets. From the analysis, we can conclude that handling imbalanced data with Borderline-SMOTE method can improve the classification performance of Random Forest and Naive Bayes methods.

Kata Kunci : data tidak seimbang, klasifikasi, Borderline-SMOTE, oversampling