Karena keterbatasan dalam hasil pencarian yang diberikan, saya tidak dapat memberikan informasi spesifik tentang bagaimana Yoshinoya mengevaluasi kinerja SMOTE (Synthetic Minority Oversampling Technique) dan ROS (Random Oversampling) dalam proyek analisis sentimen. Namun, dari sumber yang ada, berikut adalah pendekatan umum yang dapat digunakan untuk mengevaluasi kinerja SMOTE dan ROS:
- Metrik Evaluasi yang Sesuai: 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.
- 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.
- 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.
- Perbandingan dengan Teknik Resampling Data: Penggunaan teknik resampling data seperti ROS, SMOTE, ADASYN, RUS, SMOTETomek, dan SMOTEENN dapat mengatasi masalah ketidakseimbangan kelas.
Tanpa informasi spesifik dari Yoshinoya, pendekatan-pendekatan ini memberikan kerangka kerja umum untuk mengevaluasi dan membandingkan kinerja SMOTE dan ROS dalam proyek analisis sentimen. Luck365