TY  - THES
CY  - UNIVERSITAS LAMPUNG
ID  - eprints87797
UR  - http://digilib.unila.ac.id/87797/
A1  - 	Naflah,  Faulina
Y1  - 2024/08/07/
N2  - Naive Bayes classification is a method based on Bayes' theorem, utilizing
probabilistic and statistical techniques. In practice, many datasets exhibit
imbalanced class distributions. A common issue with imbalanced data is that the
classifier tends to predict the class with the larger data composition. As a result,
this leads to high prediction accuracy for the majority class in the training data but
poor prediction accuracy for the minority class. One resampling technique to
address this issue involves using oversampling, undersampling, or a combination
of both. The aim of this study is to balance the training data by applying SMOTE
(Synthetic Minority Oversampling Technique), Tomek Links, and a hybrid
approach combining both methods. The performance of the Naive Bayes
classifier on the original imbalanced data is compared with its performance on the
balanced data in diagnosing tuberculosis at Mayjend HM Ryacudu Kotabumi
Hospital. The results show that the hybrid approach, combining SMOTE for
oversampling and Tomek Links for undersampling, demonstrates the best
performance in balancing the data and improving the accuracy of the Naive Bayes
model. Specifically, the hybrid method achieved an average accuracy of 93%, an
average sensitivity of 88%, an average specificity of 96%, an average False
Positive Fraction (FPF) of 4%, and an average False Negative Fraction (FNF) of
12%.Key words: Naive Bayes classification, SMOTE, Tomek Links, SMOTE+Tomek
Links, Tuberculosis
Klasifikasi naive bayes adalah metode yang didasarkan pada teorema Bayes
dengan metode probabilitas dan statistik. Dalam penerapannya banyak data yang
ditemui memiliki distribusi tidak seimbang di setiap kelasnya. Permasalahan
yang sering terjadi pada data tidak seimbang, klasifikasi cenderung memprediksi
kelas yang memiliki komposisi data lebih besar. Akibatnya dihasilkan hasil
akurasi prediksi yang baik pada kelas data training yang mayoritas, sedangkan
akan dihasilkan akurasi prediksi yang buruk pada data training yang minoritas.
Salah satu teknik resampling dapat dilakukan untuk menanganinya yaitu dengan
metode oversampling, undersampling, dan gabungan keduanya. Tujuan dari
penelitian ini adalah mengaplikasikan metode Synthetic Minority Oversampling
Technique (SMOTE), Tomek Links, dan hybrid SMOTE+Tomek Links untuk
mengatasi data tidak seimbang dan membandingkan kinerja (performa) klasifikasi
naive bayes pada data original dan data yang telah seimbang dalam diagnosa
penyakit Tuberkulosis di RSD. Mayjend HM Ryacudu Kotabumi. Hasil yang
diperoleh hybrid antara teknik oversampling dengan SMOTE dan teknik
undersampling dengan Tomek Links menunjukkan kinerja terbaik dalam
menyeimbangkan data dan meningkatkan akurasi model naive bayes, dengan
akurasi rata-rata mencapai 93%, sensitivity rata-rata 88%, specificity rata-rata
96%, rata-rata False Positive (FPF) 4%, dan rata-rata False Negative
 (FNF) 12%.
Kata Kunci: Klasifikasi Naive Bayes, SMOTE, Tomek Links, SMOTE+Tomek
Links, Tuberkulosis

PB  - UNIVERSITAS LAMPUNG
M1  - masters
TI  - ANALISIS METODE SMOTE, TOMEK LINKS, DAN HYBRID
SMOTE+TOMEK LINKS TERHADAP KLASIFIKASI NAIVE BAYES
UNTUK MENGATASI DATA TIDAK SEIMBANG PADA DIAGNOSA
PENYAKIT TUBERKULOSIS
AV  - restricted
ER  -