Penerapan Metode Klasifikasi ADASYN-SVM pada Imbalanced Data (Studi Kasus : Personal Loan Default)
Tahun tidak diketahui · Penulis: Arini Dina Yushofa
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11782
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Studi ini bertujuan mengetahui performa metode klasifikasi ADASYNSVM dalam mengklasifikasikan data dengan distribusi kelas tidak seimbang (imbalanced data) pada kasus personal loan default (gagal bayar pinjaman tanpa agunan). Penelitian ini menggunakan data personal loan dari website Kaggle. Data ini bersifat independen, yakni tiap baris mewakili tiap nasabah dengan berbagai atribut demografis, finansial, dan perilaku nasabah sejumlah 5000 data. Data kemudian diproses melalui tahap preprocessing, checking missing value, normalisasi, serta pembagian data menjadi data training dan data testing. Penelitian ini menggunakan dua skema pemodelan, skema pemodelan pertama menggunakan metode Support Vector Machine (SVM) tanpa handling imbalanced. Sedangkan, skema pemodelan kedua dilakukan handling imbalanced menggunakan metode Adaptive Synthetic Sampling (ADASYN) sebelum pembentukan model menggunakan metode SVM. Pembagian dataset menggunakan rasio 80:20 untuk data pelatihan dan pengujian. Kinerja model kemudian dievaluasi menggunakan beberapa metrik seperti accuracy, precission, recall, dan F1-score. Hasil menunjukkan bahwa model tanpa penyeimbangan memperoleh nilai recall rata-rata sebesar 94,98%, sedangkan model dengan penyeimbangan menggunakan metode ADASYN memperoleh nilai recall rata-rata sebesar 95,70%. Hasil analisis tiap kelas menunjukkan bahwa model tanpa penyeimbangan memperoleh nilai recall sebesar 90,62 pada kelas minoritas, sedangkan model dengan penyeimbangan menggunakan metode ADASYN memperoleh nilai recall sebesar 95,83%. Skema pemodelan dengan ADASYN lebih agresif dan relevan untuk mengklasifikasikan data tidak seimbang pada kasus deteksi gagal bayar pinjaman tanpa agunan (personal loan default).
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,842
Tahun 2026 · Penulis: Ainun Maya Rohmani
Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
Ketidakseimbangan distribusi kelas (class imbalance) pada dataset citra cacat biji kopi merupakan salah satu faktor yang dapat menurunkan performa model deteksi, terutama pada kelas minoritas yang memiliki jumlah sampel terbatas. Permasalahan ini menjadi semak
- Cosine 0,814
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper
- Cosine 0,814
Tahun 2024 · Penulis: Lovanda Luthfi Rahmandani
Analisis Prediksi Harga Kripto Binance Menggunakan Metode LSTM dengan Data Historis Harian
Masyarakat sering mengalami kerugian dalam bidang investasi. Fenomena ini akan mempengaruhi dampak pertumbuhan maupun pergerakan ekonomi pada suatu negara. Menurut data Bank for International Settlements 73% hingga 81% orang melakukan investasi crypto mengalam