Optimasi Metode CART Menggunakan Metode Bagging Pada Studi Kasus Data Imbalance Berbasis Metode Adasyn

Abstract

Penelitian ini membahas mengenai permasalahan data imbalance yang menyebabkan kinerja dari model klasifikasi menjadi tidak optimal. Dalam penelitian ini menerapkan metode Adaptive Synthetic Sampling (ADASYN) untuk menangani permasalahan data imbalance, metode Classification and Regression Tree (CART) diterapkan sebagai metode klasifikasi pada dataset penyakit stroke, dan metode Boostrap Agregating (Bagging) untuk mengoptimalkan metode Cart. Penelitian ini bertujuan untuk mengetahui cara kerja dan performa dari penerapan metode Adasyn, Cart, dan Bagging dengan membangun tiga model klasifikasi yaitu model Cart, model Cart Adasyn, dan model Cart Adasyn Bagging. Hasil penelitian menunjukan model Cart menghasilkan nilai akurasi sebesar 94%, G-mean sebesar 0%, dan AUC sebesar 50%. Model Cart Adasyn menghasilkan nilai akurasi 78%, G-Mean 74% dan AUC 74%. Model Cart Adasyn Bagging menghasilkan nilai akurasi 78%, G-mean 76%, dan AUC 76%. Oleh karena itu, dapat disimpulkan bahwa kombinasi metode Cart, Adasyn, dan Bagging memberikan performa terbaik dalam mengatasi data tidak seimbang untuk klasifikasi penyakit stroke. Model Cart Adasyn Bagging terbukti lebih baik dalam memprediksi kedua kelas mayoritas dan kelas minoritas.