%A RISWANDHA WIDYA AMALIA PUTRI
%T EVALUASI PERFORMA SYNTHETIC MINORITY OVERSAMPLING
TECHNIQUE (SMOTE) UNTUK MENGATASI KLASIFIKASI DATA
TIDAK SEIMBANG PADA METODE K-NEAREST NEIGHBOR (KNN)
DAN SUPPORT VECTOR MACHINE (SVM)
%X 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 
%D 2023
%C UNIVERSITAS LAMPUNG
%R 1917031036
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM 
%L eprints75486