ANALISIS PERBANDINGAN PERFORMA METODE ENSEMBLE DALAM MENANGANI IMBALANCED MULTI-CLASS CLASSIFICATION

Abstract

Penelitian ini fokus pada membandingkan kinerja beberapa metode ensemble dalam mengatasi imbalanced multi-class classification dimana metode dekomposisi one-versus-one (OVO) diterapkan sehingga metode klasifikasi Support Vector Machine yang standar dapat digunakan. Data penelitian merupakan hasil bangkitan software R yang dirancang berdasarkan level persentase kelas minoritas, yaitu menjadi kategori extreme, moderate, dan mild. Selain itu, dirancang pula kombinasi jumlah kelas mayoritas dan minoritas yang mungkin terjadi sehingga terdapat sembilan jenis data simulasi. Hasil penelitian menunjukkan bahwa secara umum rata-rata ketepatan klasifikasi paling rendah diperoleh ketika data simulasi bersifat moderate dengan sebaran gugus data terbagi menjadi 2 kelas mayoritas dan 1 kelas minoritas. Metode safe-level SMOTEBagging memberikan performa yang paling baik bagi semua jenis data simulasi, terutama ketika gugus data bersifat ekstrim, yaitu ditunjukkan dengan nilai rata-rata akurasi yang diperoleh sebesar 98.60 persen. Kinerja metode klasifikasi SVM cukup baik dimana nilai rata-rata tingkat akurasi setiap kelas berkisar antara 67.80-98.60 persen.