Integrasi Naive Bayes Dengan Teknik Sampling Smote Untuk Menangani Data Tidak Seimbang

Abstract

Classification of data with unbalanced classes is a major problem in the field of machine learning and data mining. If working on unbalanced data, almost all classification algorithms will produce much higher accuracy for majority classes than minority classes. This research will implement the Synthetic Minority Over-sampling Technique (SMOTE) method to overcome unbalanced data on credit customer data in Rawamerta teacher cooperatives. The research methodology uses SEMMA with the stages of research Sample, Explore, Modify, Model, and Asses. The Sample Phase was conducted to choose the data of the Rawamerta Teachers Cooperative credit customers for 2015-2017 with a total of 878 data with the attributes used namely income, total deposits, loan amount, duration of installments, services, installments, and credit status. The Explore phase analyzes current classes which are categorized as majority classes because there are 813 data, while traffic classes can be categorized as minority classes because there are 65 data. The data shows an imbalance of data between the two classes. The Modify stages perform the 500% SMOTE process. The Model Stage classifies using Na�ve Bayes. Na�ve Bayes modeling with SMOTE produced 1131 successfully classified data correctly and 72 data were not classified correctly while without SMOTE resulted in 818 data was classified correctly and 60 data were not classified correctly.Keywords: Na�ve Bayes, SMOTE, unbalanced data

Untitled

“…Pada penelitian sebelumnya, hasil penelitian yang menggunakan SMOTE pada data yang tidak seimbang cenderung menghasilkan peningkatan akurasi dibandingkan tanpa menggunakan SMOTE. Metode Naive Bayes+SMOTE menghasilkan akurasi yang lebih besar dibandingkan metode Naive Bayes tanpa SMOTE dengan selisih 0,855% [4]. Metode SVM+SMOTE juga menghasilkan akurasi yang lebih tinggi dibandingkan SVM tanpa SMOTE.…”

“…: total dokumen 𝑑𝑓 𝑡 : jumlah dokumen yang mengandung data ke-t D. SMOTE SMOTE adalah salah satu teknik populer yang dapat digunakan untuk mengatasi permasalahan imbalanced dataset [9]. Proses SMOTE dilakukan dengan membentuk data baru (synthetic) pada data minoritas agar data menjadi seimbang [4]. Pembentukan data synthetic dilakukan dengan mencari nilai k-tetangga terdekat yang selanjutnya dapat dipilih secara acak untuk melakukan perhitungan SMOTE [10].…”

Penerapan Metode Random forest untuk Analisis Risiko pada dataset Peer to peer lending

“…Kondisi tidak seimbang yang tinggi muncul jika terdapat 90% data untuk satu kelas, dan hanya 10 % untuk kelas yang lain [19]. Jika bekerja menggunakan data yang tidak seimbang, maka hasil akurasi data tidak baik karena algoritma klasifikasi akan menghasilkan akurasi yang jauh lebih tinggi untuk kelas mayoritas daripada kelas minoritas [9]. Untuk mengatasi permasalahan tersebut, digunakan 2 macam teknik yaitu menggunakan SMOTE (Synthetic Minority OverSampling Technique) dan Random Under Sampling Technique.…”

“…Namun menurut Sulistyowati dan Jajuli [9], klasifikasi pada data menggunakan metode machine learning memiliki…”

“…Proses oversampling atau disebut juga Teknik SMOTE dilakukan untuk menyeimbangkan kelas data minoritas dan mayoritas. Teknik ini dilakukan dengan cara mensintesis sampel baru dari kelas minoritas untuk menyeimbangkan dataset dengan cara sampling ulang sampel kelas minoritas [9]. Fitur 'loan_condition_int' pada Tabel VI menyebabkan penyebaran data tidak seimbang.…”