Analisis Perbandingan Metode Support Vector Machine (Svm) Dengan Oversampling Synthetic Minority Oversampling Technique (Smote) Dan Adaptive Synthetic (Adasyn) Pada Klasifikasi Curah Hujan (Studi Kasus : Curah Hujan Provinsi Riau Tahun 20162021)
Abstract
Penelitian ini bertujuan untuk mengetahui performa metode Support Vector
Machine (SVM) dalam mengklasifikasi data curah hujan Provinsi Riau tahun 20162021.
Dari
data
curah
hujan
yang
diperoleh
terdapat
ketidakseimbangan
kelas
data.
Hal
ini
dapat
mengakibatkan
model
klasifikasi
sangat
buruk
memprediksi
data
pada
kelas
minoritas karena adanya kelas mayoritas yang mendominasi, sehingga
dilakukan penanganan ketidakseimbangan data menggunakan oversampling
Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic
(ADASYN). Hasil analisis penelitian ini menunjukkan bahwa kernel RBF adalah
kernel dengan performa terbaik karena memiliki akurasi tertinggi pada hasil
klasifikasi. Akurasi SVM dengan SMOTE lebih tinggi pada saat klasifikasi data
training yakni sebesar 98.46%. Akan tetapi, hasil evaluasi ketepatan klasifikasi
menggunakan data testing menunjukkan bahwa SVM dengan data yang tidak
seimbang memiliki akurasi tertinggi. Hal ini berarti SVM dengan SMOTE sangat
bagus dalam mengklasifikasi data training namun buruk dalam mengklasifikasi
data testing. Akurasi SVM dengan data yang tidak seimbang memiliki akurasi
tertinggi pada saat klasifikasi data testing, tetapi nilai sensitivitas dan
spesifisitasnya lebih rendah daripada nilai sensitivitas dan spesifisitas SVM dengan
SMOTE dan SVM dengan ADASYN. Berdasarkan hal ini dapat dikatakan
penggunaan oversampling SMOTE dan ADASYN dalam mengatasi
ketidakseimbangan data memang dapat meningkatkan nilai sensitivitas dan
spesifisitas namun tidak dapat meningkatkan nilai akurasi.
Collections
- Statistics [900]