Ya, ada beberapa studi komparatif yang membandingkan performa ADASYN dan SMOTE dalam berbagai jenis dataset. Berikut adalah beberapa temuan dari studi-studi tersebut:
- Studi pada dataset MultiClass: Sebuah studi membandingkan SMOTE dan ADASYN untuk penanganan data tidak seimbang MultiClass. Hasil eksperimen menunjukkan bahwa pengujian metode SMOTE dengan metode klasifikasi mampu menangani jumlah kelas mayoritas (negatif) dan kelas minoritas (positif) pada data tidak seimbang dengan menghasilkan nilai MCC dan Gmean mencapai kinerja prediksi yang lebih besar dibandingkan dengan menggunakan metode klasifikasi saja maupun menggunakan Metode ADASYN. Untuk dataset MultiClass, nilai MCC dan Gmean yang paling tinggi menggunakan SMOTE + KNN.
- Studi pada dataset penyakit jantung: Penelitian lain mengevaluasi algoritma pembelajaran terbimbing terhadap dataset penyakit jantung yang telah dilakukan oversampling menggunakan SMOTE dan ADASYN. Hasil penelitian menunjukkan bahwa penerapan teknik oversampling SMOTE + Random Forest meningkatkan akurasi hingga sekitar 94,54%.
- Perbandingan nilai MCC dan Gmean: Dalam sebuah studi, evaluasi pada dataset MultiClass (hayes-roth) menggunakan SMOTE dan ADASYN menunjukkan bahwa penanganan distribusi kelas yang tidak seimbang menggunakan ADASYN dapat meningkatkan nilai akurasi MCC maupun Gmean pada metode KNN.
- Penggunaan pada dataset tidak seimbang: Untuk mengatasi permasalahan dataset tidak seimbang, dilakukan penyeimbangan distribusi kelas tidak seragam di antara kelas-kelas dengan komparasi menggunakan metode SMOTE dan ADASYN.
- ADASYN sebagai pengembangan SMOTE: ADASYN merupakan metode resampling yang termasuk ke dalam kategori oversampling, dan ADASYN merupakan sebuah pengembangan dari metode SMOTE. Dengan menggunakan metode yang lebih mutakhir daripada SMOTE diharapkan dapat meningkatkan performa dari metode klasifikasi yang digunakan nantinya.
Studi-studi ini menunjukkan bahwa SMOTE dan ADASYN dapat meningkatkan performa klasifikasi pada dataset yang tidak seimbang, tetapi efektivitas relatif mereka dapat bervariasi tergantung pada karakteristik dataset dan algoritma klasifikasi yang digunakan. Dalam beberapa kasus, SMOTE memberikan hasil yang lebih baik, sementara dalam kasus lain, ADASYN lebih efektif. Luck365