Karena keterbatasan dalam hasil pencarian yang diberikan, saya tidak dapat memberikan informasi spesifik tentang bagaimana Yoshinoya membandingkan kinerja antara SMOTE (Synthetic Minority Oversampling Technique) dan ROS (Random Oversampling). Namun, secara umum, SMOTE dan ROS adalah teknik oversampling yang digunakan untuk mengatasi masalah ketidakseimbangan kelas dalam dataset. Berikut adalah bagaimana perbandingan kinerja antara keduanya dapat dilakukan, yang mungkin relevan bagi Yoshinoya atau organisasi lain yang menghadapi masalah serupa:
- Pengukuran dengan Metrik yang Tepat: Kinerja model dievaluasi menggunakan metrik yang sesuai seperti akurasi, presisi, recall, dan F1-score. Metrik ini memberikan gambaran komprehensif tentang kinerja model dalam kondisi dataset yang tidak seimbang.
- Penggunaan Dataset yang Tidak Seimbang: SMOTE dan ROS dibandingkan dengan menggunakan dataset yang memiliki ketidakseimbangan kelas. Dataset yang digunakan harus relevan dengan konteks masalah yang ingin diselesaikan.
- Evaluasi dengan Algoritma Klasifikasi: SMOTE dan ROS dievaluasi menggunakan algoritma klasifikasi yang berbeda. Algoritma yang berbeda mungkin merespons secara berbeda terhadap teknik oversampling yang berbeda.
- Perbandingan dengan G-Means dan F-Measure: G-means dan F-measure digunakan untuk mengukur hasil klasifikasi. Dalam satu studi, SMOTE menghasilkan nilai G-means dan F-measure yang lebih baik pada dataset yang tidak seimbang.
- Teknik Resampling Data: Penggunaan teknik resampling data seperti ROS, SMOTE, ADASYN, RUS, SMOTETomek, dan SMOTEENN dapat mengatasi masalah ketidakseimbangan kelas.
- Perbandingan dengan Algoritma Lain: Kinerja SMOTE juga dapat dibandingkan dengan algoritma lain seperti k-Nearest Neighbor (kNN) untuk menangani ketidakseimbangan kelas.
- Perbandingan dengan SOS dan ADASYN: Varian dari SMOTE dirancang untuk mengurangi kekurangan SMOTE, dan kinerja dapat dibandingkan dengan SOS (Selective Oversampling) dan ADASYN (Adaptive Synthetic Sampling).
Beberapa penelitian membandingkan SMOTE dengan metode oversampling lainnya untuk mengatasi masalah ketidakseimbangan kelas. SMOTE sering dibandingkan dengan Random Oversampling (ROS). ROS bekerja dengan menduplikasi sampel acak dari kelas minoritas, sedangkan SMOTE menghasilkan sampel sintetis baru. Luck365