The Effect of Class Imbalance Against LVQ Classification

Abdillah, Rahmad; Sanjaya, Suwanto; Afrianty, Iis

doi:10.1109/icon-eei.2018.8784330

Cited by 3 publications

(2 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Once this process is completed, the resulting balanced data can be used for classification modelling. Several studies, such as those conducted by researchers [11] and [12], have utilized a data splitting ratio of 70:30, which has resulted in favourable model performance. According to those studies, this study adopted the same ratio, with 70% of the data allocated to the training set and the remaining 30% assigned to the testing set.…”

Section: Preprocessingmentioning

confidence: 99%

Kmeans-SMOTE Integration for Handling Imbalance Data in Classifying Financial Distress Companies using SVM and Naïve Bayes

Maulana,

Siti Saadah,

Prasti Eko Yunanto

2024

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

Imbalanced data presents significant challenges in machine learning, leading to biased classification outcomes that favor the majority class. This issue is especially pronounced in the classification of financial distress, where data imbalance is common due to the scarcity of such instances in real-world datasets. This study aims to mitigate data imbalance in financial distress companies using the Kmeans-SMOTE method by combining Kmeans clustering and the synthetic minority oversampling technique (SMOTE). Various classification approaches, including Nave Bayes and support vector machine (SVM), are implemented on a Kaggle financial distress data set to evaluate the effectiveness of Kmeans-SMOTE. Experimental results show that SVM outperforms Nave Bayes with impressive accuracy (99.1%), f1-score (99.1%), area under precision recall (AUPRC) (99.1%), and geometric mean (Gmean) (98.1%). On the basis of these results, Kmeans-SMOTE can balance the data effectively, leading to a quite significant improvement in performance.

show abstract

Section: Preprocessingmentioning

confidence: 99%

Kmeans-SMOTE Integration for Handling Imbalance Data in Classifying Financial Distress Companies using SVM and Naïve Bayes

Maulana,

Siti Saadah,

Prasti Eko Yunanto

2024

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

show abstract

“…Penelitian terkait dengan penggunaan LVQ sebagai metode klasifikasi adalah untuk klasifikasi identitas wajah [5], klasifikasi data KDD Cup 99 [6], klasifikasi mutu jeruk nipis [7]. Penelitian lain yang berhubungan dengan penggunaan HSV sebagai fitur adalah pengenalan kualitas ikan gurami [8], klasifikasi citra buah [9], klasifikasi buah apel [10] dan klasifikasi buah tomat [11].…”

Section: Gambar 1 Level Kematangan Buah Tomatunclassified

Penerapan Learning Vector Quantization Pada Pengelompokan Tingkat Kematangan Buah Tomat Berdasarkan Warna Buah

Sanjaya

2019

CoreIT

Self Cite

View full text Add to dashboard Cite

Tingkat kematangan buah tomat dapat dilihat dari warna buah. Pada penelitian sebelumnya pernah dilakukan penentuan tingkat kematangan buah tomat menggunakan fitur Hue, Saturation, dan Value (HSV), serta metode klasifikasi Learning Vector Quantization (LVQ). Pada penelitian tersebut menggunakan data citra buah tomat dari satu sisi. Pada kenyataanya, tidak semua buah tomat memiliki penyebaran warna yang sama disetiap sisinya. Oleh karena itu dibutuhkan teknik untuk merata-ratakan informasi warna dari beberapa sisi buah. Berdasarkan permasalahan tersebut, maka data citra buah tomat yang digunakan diambil dari empat sisi untuk setiap buahnya. Total data citra yang digunakan adalah 400 citra dari empat sisi dan setelah dirata-ratakan menjadi 100 data. Level kematangan buah tomat yang digunakan adalah 5 level yaitu green, breakers, turning, pink, light red, dan red. Proses pelatihan dan pengujian bobot optimal menggunakan K-Fold Cross Validation. Berdasarkan hasil pengujian, rata-rata akurasi tertinggi adalah mencapai 87,25% yang diuji menggunakan 400 citra setiap sisi buah. Berdasarkan hasil pengujian tersebut dapat disimpulkan nilai HSV yang dihasilkan dari rata-rata penggabungan citra empat sisi dapat dijadikan alternatif untuk menentukan tingkat kematangan buah tomat karena dapat meningkatkan akurasi walaupun tidak terlalu signifikan

show abstract

The impact of Under-Sampling Techniques on Classification Accuracy in multi-class Imbalance Data

Sanjaya

Abdillah

Afrianty

2022

2022 3rd International Conference on Electrical Engineering and Informatics (ICon EEI)

View full text Add to dashboard Cite

The Effect of Class Imbalance Against LVQ Classification

Cited by 3 publications

References 17 publications

Kmeans-SMOTE Integration for Handling Imbalance Data in Classifying Financial Distress Companies using SVM and Naïve Bayes

Kmeans-SMOTE Integration for Handling Imbalance Data in Classifying Financial Distress Companies using SVM and Naïve Bayes

Penerapan Learning Vector Quantization Pada Pengelompokan Tingkat Kematangan Buah Tomat Berdasarkan Warna Buah

The impact of Under-Sampling Techniques on Classification Accuracy in multi-class Imbalance Data

Contact Info

Product

Resources

About