EVALUASI PERFORMA SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) UNTUK MENGATASI KLASIFIKASI DATA TIDAK SEIMBANG PADA METODE K-NEAREST NEIGHBOR (KNN) DAN SUPPORT VECTOR MACHINE (SVM)

WIDYA AMALIA PUTRI, RISWANDHA (2023) EVALUASI PERFORMA SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) UNTUK MENGATASI KLASIFIKASI DATA TIDAK SEIMBANG PADA METODE K-NEAREST NEIGHBOR (KNN) DAN SUPPORT VECTOR MACHINE (SVM). FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.

Preview	Text 1. ABSTRAK.pdf Download (93kB) | Preview
	Text 2. SKRIPSI FULL.pdf Restricted to Repository staff only Download (3MB) | Request a copy
Preview	Text 3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (3MB) | Preview

Abstract

Metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) merupakan salah satu teknik yang populer pada klasifikasi. Pada umumnya, masalah yang sering terjadi pada klasifikasi yaitu adanya ketidakseimbangan data. Ketidakseimbangan data merupakan suatu keadaan dimana distribusi pada jumlah kelas tidak merata atau dapat diartikan bahwa terdapat perbedaan yang signifikan terhadap jumlah kelas. Hal ini mempengaruhi terhadap performa hasil klasifikasi. Maka dari itu, penting untuk mengatasi masalah ketidakseimbangan data, salah satunya dengan menggunakan Synthetic Minority Oversampling Technique (SMOTE). Penelitian ini bertujuan untuk mengkaji dan mengevaluasi performa SMOTE untuk mengatasi klasifikasi data tidak seimbang pada KNN dan SVM. Berdasarkan hasil analisis diperoleh bahwa SMOTE efektif untuk meningkatkan performa klasifikasi penderita diabetes yang dibuktikan dengan adanya peningkatan nilai akurasi pada metode KNN dengan parameter

Item Type:	Other
Subjects:	?? 001 ?? ?? 500 ?? ?? 510 ??
Divisions:	?? matematika ??
Depositing User:	2301367152 . Digilib
Date Deposited:	05 Sep 2023 08:16
Last Modified:	05 Sep 2023 08:16
URI:	http://digilib.unila.ac.id/id/eprint/75486

Actions (login required)

View Item