Akurasi Klasifikasi Multivariate Adaptive Regression Spline (Mars) Pada Data Simulasi Class Imbalance Peubah Respon Biner Menggunakan Metode Bootstrap Aggregating (Bagging) Dan Synthetic Minority Over-Sampling Technique (Smote)
| Main Author: | Amrullah, Ahmad Arul Nurfahmi |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/178923/ |
Daftar Isi:
- Model Multivariate Adaptive Regression Spline (MARS) termasuk salah satu metode dalam regresi nonparametrik yang populer digunakan dalam permasalahan prediksi maupun klasifikasi. Permasalahan yang muncul dalam metode klasifikasi adalah adanya ketidakseimbangan banyanknya pengamatan antar kelas pada peubah respon yang cukup jauh sehingga terbentuk kelas data mayoritas dan kelas data minoritas. Model klasifikasi MARS pada umumnya efektif dalam mengklasifikasikan data yang tidak seimbang ini, karena model MARS merupakan model yang adaptif yaitu mampu membentuk model dengan cara menyesuiakan pola data yang ada. Untuk mengurangi kesalahan klasifikasi kelas minoritas pada data tidak seimbang dan untuk meningkatkan akurasi atau kekuatan klasifikasi pada model MARS dapat menggunakan dua metode yaitu Bootstrap Aggregating (Bagging) dan Synthetic Minority Oversampling Technique (SMOTE). Penelitian ini bertujuan untuk mengetahui ketepatan klasifikasi menggunakan metode MARS, Bagging-MARS dan SMOTE-MARS pada data simulasi yang memiliki ketidakseimbangan banyanknya pengamatan antar kelas dengan proporsi kelas minoritas sebesar 10%, 15% dan 20%. Hasil penelitian ini menunjukkan ketepatan klasifikasi pada metode Bagging-MARS memiliki kekuatan klasifikasi yang paling bagus dibandingkan metode MARS dan SMOTE-MARS dengan melihat nilai akurasi, sensitifitas dan APER yang dihasilkan pada setiap tingkat proporsi kelas minoritas