ADASYN Termodifikasi (Modified) Untuk Multiclass Pada Kasus Klasifikasi Penyakit Anemia

Velssy, Afiahayati, S.Kom., M.Cs., Ph.D ; Dr. Sri Mulyana., M.Kom

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Anemia merupakan salah satu penyakit darah paling umum di dunia dan masih menjadi masalah kesehatan yang signifikan, terutama pada remaja perempuan, ibu hamil, dan anak-anak. Dalam beberapa tahun terakhir, Machine Learning mulai dimanfaatkan untuk membantu proses klasifikasi jenis anemia, namun proses ini menghadapi tantangan besar berupa ketidakseimbangan data antar kelas diagnosis. Ketidakseimbangan tersebut menyebabkan model lebih mudah mengenali kelas mayoritas, tetapi memberikan Recall yang rendah pada keseluruhan prediksi. Penelitian sebelumnya menunjukkan hal ini dengan Akurasi sekitar 74?n Recall 59% meskipun telah menggunakan teknik oversampling SMOTE. Namun, SMOTE masih kurang efektif untuk skenario multiclass karena tidak memperhitungkan variasi dan jarak antar kelas. Sementara itu, ADASYN sebagai metode oversampling adaptif hanya optimal untuk binary classification dan belum mampu menangani kompleksitas hubungan antar kelas pada data multiclass secara menyeluruh.

Untuk mengatasi permasalahan tersebut, diusulkan menggunakan pendekatan oversampling ADASYN termodifikasi (Modified), yaitu pengembangan dari metode ADASYN standar untuk menangani data tidak seimbang pada kasus multiclass dengan pendekatan pairwise. Teknik ini diterapkan pada enam model klasifikasi, yaitu Random Forest, Support Vector Machine, Logistic Regression, Decision Tree, K-Nearest Neighbors, dan Naïve Bayes. Proses evaluasi dilakukan menggunakan classification report untuk melihat perubahan nilai Presisi, Recall, dan F1-score pada kelas mix sebelum dan sesudah penerapan oversampling.

Hasil penelitian menunjukkan bahwa metode Modified mampu meningkatkan performa klasifikasi secara keseluruhan, terutama pada model yang sensitif terhadap perubahan distribusi data seperti Random Forest, SVM, dan Decision Tree. Pada Random Forest, metode ini meningkatkan Akurasi dari 69.09% menjadi 80?n Recall dari 50.28% menjadi 68.11%. Decision Tree juga menunjukkan respons yang baik dengan kenaikan Recall lebih dari 11 poin, sementara SVM mengalami peningkatan moderat pada kedua metrik tersebut. Modified berhasil mengatasi masalah rendahnya Akurasi dan Recall pada penelitian sebelumnya, sehingga lebih sesuai untuk menangani ketidakseimbangan data anemia yang bersifat multiclass.

Anemia is one of the most prevalent hematological disorders worldwide and continues to represent a significant public health concern, particularly among adolescent females, pregnant women, and children. In recent years, Machine Learning techniques have increasingly been utilized to support the classification of anemia types. However, the classification process is challenged by the issue of class imbalance within diagnostic datasets. This imbalance causes classification models to exhibit a bias toward majority classes, resulting in suboptimal Recall performance across minority classes. Previous studies reported this limitation, achieving approximately 74?curacy and 59% Recall despite the implementation of the Synthetic Minority Over-sampling Technique (SMOTE). Nevertheless, SMOTE remains less effective in multiclass scenarios because it does not sufficiently account for inter-class variation and class boundary distributions. Furthermore, Adaptive Synthetic Sampling (ADASYN), as an adaptive oversampling technique, is primarily optimized for binary classification and has not been able to comprehensively address the complexity of inter-class relationships in multiclass imbalanced datasets.

To overcome these limitations, this study proposes a modified ADASYN oversampling approach (Modified), which extends the standard ADASYN algorithm to handle multiclass imbalanced data using a pairwise strategy. The proposed method was implemented across six classification algorithms, namely Random Forest, Support Vector Machine, Logistic Regression, Decision Tree, K-Nearest Neighbors, and Naïve Bayes. Model performance was evaluated using classification reports to analyze changes in Precision, Recall, and F1-score before and after the application of the oversampling technique.

The experimental results demonstrate that the Modified method significantly improves overall classification performance, particularly for models that are sensitive to changes in data distribution, such as Random Forest, Support Vector Machine, and Decision Tree. In the Random Forest model, the proposed approach improved Accuracy from 69.09% to 80% and increased Recall from 50.28% to 68.11%. Decision Tree also exhibited substantial improvement, with an increase of more than 11 percentage points in Recall, while Support Vector Machine showed moderate enhancement across both evaluation metrics. These findings indicate that the Modified approach effectively addresses the issue of low Accuracy and Recall identified in previous studies, thereby demonstrating greater suitability for handling multiclass imbalance problems in anemia classification datasets.

Kata Kunci : ADASYN, Machine Learning, Imbalanced Class, Anemia