OPTIMALISASI KINERJA KLASIFIKASI MELALUI SELEKSI FITUR DAN ADABOOST DALAM PENANGANAN KETIDAKSEIMBANGAN

Salah satu masalah dalam klasifikasi data mining adalah ketidakseimbangan kelas, dimana jumlah instance pada kelas mayoritas lebih banyak dibanding kelas minoritas. Dalam proses klasifikasi, kelas minoritas sering salah diklasifikasikan, karena machine learning memprioritaskan kelas mayoritas dan mengabaikan kelas minoritas sehingga hal ini dapat menyebabkan kinerja klasifikasi menjadi tidak optimal. Tujuan dari penelitian ini adalah memberikan solusi dalam mengatasi ketidakseimbangan kelas sehingga dapat mengoptimalkan kinerja klasifikasi dengan menggunakan chi-square dan adaboost pada salah satu algoritma klasifikasi yaitu C5.0. Pada penelitian ini, kelas mayoritas dalam dataset yang digunakan didominasi oleh kelas negatif, jadi penilaian kinerja harus lebih berfokus kepada kelas positif. Oleh karena itu, penilaian yang lebih sesuai adalah recall/sensitivity/TPR karena nilai yang dihasilkan hanya bergantung pada kelas positif. Hasil penelitian menunjukkan bahwa kedua metode mampu meningkatkan nilai recall/sensitivity/TPR artinya penerapan chi-square dan adaboost mampu untuk meningkatkan kinerja klasifikasi dari kelas minoritas.