IMPLEMENTASI TEKNIK RESAMPLING UNTUK MENGATASI KETIDAKSEIMBANGAN DATA TERHADAP KLASIFIKASI ANEMIA MENGGUNAKAN SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.70248/jrsit.v2i3.1856Keywords:
Klasifikasi, SMOTE, Support Vector Machine, Multiclass Classification, Imbalance DataAbstract
Penelitian ini bertujuan untuk mengatasi permasalahan ketidakseimbangan data dalam klasifikasi anemia dengan menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan algoritma Support Vector Machine (SVM). Anemia merupakan kondisi medis yang terjadi akibat rendahnya kadar hemoglobin dalam darah, sehingga menghambat distribusi oksigen ke seluruh tubuh. Dalam penelitian ini, data yang digunakan berasal dari dataset "Anemia Type Classification" yang tersedia di Kaggle, dengan total 1281 sampel, 14 fitur, dan 9 kelas klasifikasi anemia. Metode penelitian melibatkan beberapa tahapan, yaitu preprocessing data, penanganan data yang tidak seimbang, klasifikasi menggunakan SVM dengan pendekatan One vs One (OvO) dan One vs Rest (OvR), serta evaluasi performa model. Teknik SMOTE diterapkan untuk meningkatkan jumlah sampel pada kelas minoritas, sehingga mengurangi bias model terhadap kelas mayoritas. Model diuji dalam tiga skenario: tanpa resampling, oversampling dengan SMOTE, dan undersampling. Hasil penelitian menunjukkan bahwa penerapan teknik SMOTE dengan pendekatan OvO pada algoritma SVM menghasilkan performa terbaik dengan akurasi sebesar 85%, precision 87%, recall 90%, dan F1-score 87%. Sementara itu, pendekatan OvR memiliki performa yang lebih rendah dibandingkan OvO. Pengujian tanpa resampling menghasilkan akurasi yang cukup baik, namun masih menunjukkan bias terhadap kelas mayoritas. Teknik undersampling menghasilkan performa yang lebih rendah dibandingkan metode lainnya. Simpulan, bahwa penerapan SMOTE dengan algoritma SVM dan pendekatan OvO dapat meningkatkan akurasi klasifikasi anemia pada dataset yang tidak seimbang. Temuan ini dapat menjadi dasar bagi pengembangan sistem prediksi anemia yang lebih akurat dan efektif dalam mendukung diagnosis medis.
Kata Kunci : Anemia, Klasifikasi Multiclass, Support Vector Machine, SMOTE, One Vs One, One Vs Rest
References
Alita, D., Fernando, Y., & Sulistiani, H. (2020). Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter. Jurnal Tekno Kompak, 14(2), 86. https://doi.org/10.33365/jtk.v14i2.792
Aryanti, R., Misriati, T., & Hidayat, R. (2023). Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Oversampling Untuk Mengatasi Ketidakseimbangan Data. KLIK: Kajian Ilmiah Informatika Dan Komputer, 3(5), 409–416.
Dharmendra, I. K., Agus, I. M., Putra, W., & Atmojo, Y. P. (2024). Evaluasi Efektivitas SMOTE dan Random Under Sampling pada Klasifikasi Emosi Tweet. 9(2), 192–193.
Gumelar, G., Ain, Q., Marsuciati, R., Agustanti Bambang, S., Sunyoto, A., & Syukri Mustafa, M. (2021). Kombinasi Algoritma Sampling dengan Algoritma Klasifikasi untuk Meningkatkan Performa Klasifikasi Dataset Imbalance. SISFOTEK : Sistem Informasi Dan Teknologi, 250–255.
Isnaini, Y. S., Yuliaprida, R., & Pihahey, P. J. (2021). Hubungan Usia, Paritas Dan Peker Hubungan Usia, Paritas Dan Pekerjaan Terhadap Kejadian Anemia Pada Ibu Hamil. Nursing Arts, 15(2), 65–74. https://doi.org/10.36741/jna.v15i2.153
Kurniadi, D., Nuraeni, F., & Lestari, S. M. (2022). Implementasi Algoritma Naïve Bayes Menggunakan Feature Forward Selection dan SMOTE Untuk Memprediksi Ketepatan Masa Studi Mahasiswa Sarjana. Jurnal Sistem Cerdas, 5(2), 63–82. https://doi.org/10.37396/jsc.v5i2.215
Lunak, R. P., & Informatika, F. (2024). Perbandingan Kinerja Algoritma Klasifikasi Status Mutu Air. 2(1), 72–76.
Marselina, D. (2022). Studi Literatur: Penyebab Terjadinya Anemia pada Remaja Putri. Prosiding Seminar Nasional Dan CFP Kebidanan Universitas Ngudi Waluyo, 1(2), 544–556.
Nurdian, R. A., Mujib Ridwan, & Ahmad Yusuf. (2022). Komparasi Metode SMOTE dan ADASYN dalam Meningkatkan Performa Klasifikasi Herregistrasi Mahasiswa Baru. Jurnal Teknik Informatika Dan Sistem Informasi, 8(1), 24–32. https://doi.org/10.28932/jutisi.v8i1.4004
Pradana, M. G., Saputro, P. H., & Wijaya, D. P. (2022). Komparasi Metode Support Vector Machine Dan Naïve Bayes Dalam Klasifikasi Peluang Penyakit Serangan Jantung. Indonesian Journal of Business Intelligence (IJUBI), 5(2), 87. https://doi.org/10.21927/ijubi.v5i2.2659
Pratama, F., Nasir, M., & Sauda, S. (2020). Implementasi Metode Klasifikasi Dengan Algoritma Support Vector Machine Untuk Menentukan Stok Persediaan Barang Pada Koperasi Karyawan Pangan Utama. Journal of Software Engineering Ampera, 1(2), 71–81. https://doi.org/10.51519/journalsea.v1i2.46
Rabbani, S., Safitri, D., Rahmadhani, N., Sani, A. A. F., & Anam, M. K. (2023). Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 153–160. https://doi.org/10.57152/malcom.v3i2.897
Septhya, D., Rahayu, K., Rabbani, S., Fitria, V., Rahmaddeni, R., Irawan, Y., & Hayami, R. (2023). Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 15–19. https://doi.org/10.57152/malcom.v3i1.591
Sopiatul Ulum, Alifa, R. F., Rizkika, P., & Rozikin, C. (2023). Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum. Generation Journal, 7(2), 141–146. https://doi.org/10.29407/gj.v7i2.20270
Sulardi, N., & Witanti, A. (2020). Sistem Pakar Untuk Diagnosis Penyakit Anemia Menggunakan Teorema Bayes. Jurnal Teknik Informatika (Jutif), 1(1), 19–24. https://doi.org/10.20884/1.jutif.2020.1.1.12
Syaripudin, D., & Walad, A. (2024). Algoritma Random Forest Pada Data Prediksi Kecacatan Perangkat Lunak Resampling Technique To Increase the Accuracy Value of Random Forest Algorithm on Software Defect Prediction. 4845–4858.
Syukron, M., Santoso, R., & Widiharih, T. (2020). Perbandingan Metode Smote Random Forest Dan Smote Xgboost Untuk Klasifikasi Tingkat Penyakit Hepatitis C Pada Imbalance Class Data. Jurnal Gaussian, 9(3), 227–236. https://doi.org/10.14710/j.gauss.v9i3.28915
Tantika, R. S., & Kudus, A. (2022). Penggunaan Metode Support Vector Machine Klasifikasi Multiclass pada Data Pasien Penyakit Tiroid. Bandung Conference Series: Statistics, 2(2), 159–166. https://doi.org/10.29313/bcss.v2i2.3590
Undersampling, P. R. (2024). Effect of Random Under sampling , Oversampling , and SMOTE on the Performance of Cardiovascular Disease Prediction Models terhadap Kinerja Model Prediksi Penyakit Kardiovaskular. 21(1), 88–102. https://doi.org/10.20956/j.v21i1.35552
Yanti, D. E., Framesti, L., & Desiani, A. (2022). JIP (Jurnal Informatika Polinema) Perbandingan Algoritma C4.5 Dan Svm Dalam Klasifikasi Penyakit Anemia. 427–434.
