Pendekatan Machine Learning untuk Meningkatkan Akurasi Klasifikasi pada dataset tidak seimbang

Abstract

Klasifikasi pada dataset tidak seimbang merupakan tantangan signifikan dalam bidang machine learning, di mana distribusi kelas yang tidak merata dapat menyebabkan model yang bias dan akurasi yang rendah, terutama dalam memprediksi kelas minoritas. Penelitian ini bertujuan untuk mengeksplorasi pendekatan machine learning yang efektif untuk meningkatkan akurasi klasifikasi pada dataset tidak seimbang dengan menggunakan beberapa metode, yaitu SMOTE (Synthetic Minority Over-sampling Technique), KNN (K-Nearest Neighbors), Adaboost (Adaptive Boosting), dan XGBoost (Extreme Gradient Boosting). Dalam penelitian ini, SMOTE diterapkan untuk menyeimbangkan dataset dengan menghasilkan contoh sintetis dari kelas minoritas, sehingga meningkatkan representasi data. Selanjutnya, KNN digunakan sebagai algoritma dasar untuk klasifikasi, yang dikenal dengan kemampuannya dalam menangani data non-linear. Adaboost diterapkan untuk meningkatkan kinerja model dengan menggabungkan beberapa model lemah menjadi model yang lebih kuat, sementara XGBoost  digunakan untuk memanfaatkan teknik boosting yang efisien dan efektif dalam menangani masalah klasifikasi yang kompleks. Hasil menunjukkan bahwa model XGBoost  mencapai akurasi tertinggi sebesar 95%, diikuti oleh KNN dengan akurasi 78%, sementara AdaBoost menunjukkan akurasi terendah di 59%. Penelitian ini menegaskan pentingnya pemilihan algoritma yang tepat dan teknik penyeimbangan data dalam meningkatkan kinerja model klasifikasi. Model yang dihasilkan tidak hanya menunjukkan peningkatan dalam akurasi keseluruhan, tetapi juga dalam pengenalan kelas minoritas, yang sering kali terabaikan dalam dataset tidak seimbang..