Analisis Metode Smote, Adasyn, dan K-Means Smote Untuk Menangani Ketidakseimbangan data Dalam Penyakit Diabetes
Tahun 2025 · Penulis: Adinda Nisa Anggraini
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Ada banyak penelitian yang dilakukan untuk menganalisis penyakit diabetes menggunakan algoritma machine learning ataupun metode untuk mengatasi ketidakseimbangan data. Pada penelitian yang dilakukan oleh Sari et al., (2023) dalam penelitiannya yang berjudul “Comparison Of Support Vector Machine Perfomance With Oversampling And Outlier Handling In Diabetic Disease Detection Classification” membandingkan beberapa kernel SVM yang integrasikan menggunakan metode SMOTE untuk menangani ketidakseimbangan data. Hasil yang diperoleh adalah algoritma SVM dengan menggunakan kernel RBF yang mendapatkan nilai akurasi sebesar 88%. Akan tetapi jumlah data yang dipakai sebesar 768 baris, selisih antar kelas penyakit diabetes tergolong kecil. Hal tersebut masih menimbulkan pertanyaan apakah metode SMOTE dan metode ketidakseimbangan data lainnya mampu untuk menangani jumlah ketidakseimbangan data dalam jumlah besar. Pada penelitian ini akan menganalisis metode SMOTE, ADASYN, dan K Means SMOTE dalam mengatasi ketidakseimbangan data. Algoritma machine learning seperti SVM dan KNN akan digunakan untuk membandingkan performa yang dihasilkan menggunakan data penyakit diabetes yang memiliki 100.000 baris. Uji coba dilakukan dengan cara membagi data latih dan data uji dengan rasio 7:3, 8:2, dan 9:1 beserta parameter metode yang digunakan dengan mengganti nilai K/N yaitu 2, 5, 7. Sebagai perbandingan untuk membandingkan metode ketidakseimbangan data akan digunakan evaluasi model menggunakan confusion matrix dan nilai yang dipakai yaitu accuracy, precision, recall, dan f1-score. Berdasarkan hasil, sebelum menggunakan metode ketidakseimbangan data nilai recall lebih kecil daripada nilai precision. Hal tersebut terjadi dikarenakan terjadi ketidaksiembangan kelas yang menyimpang jauh. Metode ketidakseimbangan data mampu meningkatkan nilai recall 59%-75%, tetapi membuat nilai accuracy menurun sampai dengan 17%. Dari ketiga metode tersebut, metode K-Means SMOTE membuat performa lebih baik daripada metode SMOTE dan ADASYN. Hal tersebut terbukti pada performa KNN yang memiliki performa 98% accuracy, 97% precision, dan 98% f1-score.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,853
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin
- Cosine 0,848
Tahun 2025 · Penulis: Cindi Dewi Aprilia
Deteksi Kanker Paru-Paru pada Citra Chest X-Ray untuk Pasien Rumah Sakit Di Jember Menggunakan Deep Object Detection
Penelitian ini bertujuan mengembangkan sistem deteksi nodul paru sebagai indikator awal kanker paru-paru menggunakan algoritma YOLOv11 pada citra Xray. Tantangan utama dalam deteksi nodul adalah ukurannya yang kecil dan kemiripannya dengan struktur lain pada p
- Cosine 0,833
Tahun 2025 · Penulis: Suleman Candra Kusuma
Klasifikasi Penyakit Kardiovaskular dengan Ensemble Stacking Menggunakan Catboost sebagai Meta-learner
Penyakit kardiovaskular (CVD) merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini menjadi krusial untuk mencegah komplikasi yang lebih serius. Kemajuan dalam machine learning, khususnya metode ensemble learning, menawarkan pote