Bagaimana pengaruh metode klasifikasi terhadap performa ADASYN dan SMOTE

Berdasarkan hasil pencarian yang tersedia, pengaruh metode klasifikasi terhadap performa ADASYN dan SMOTE dapat diringkas sebagai berikut:

1. Penggunaan SMOTE dengan metode klasifikasi mampu menangani jumlah kelas mayoritas dan minoritas pada data tidak seimbang, menghasilkan nilai Matthews Correlation Coefficient (MCC) dan G-mean yang mencapai kinerja prediksi yang lebih besar dibandingkan dengan hanya menggunakan metode klasifikasi atau menggunakan ADASYN.
2. Pada dataset MultiClass, SMOTE + KNN memberikan nilai MCC dan G-mean tertinggi dibandingkan metode lain.
3. Penanganan distribusi kelas yang tidak seimbang menggunakan ADASYN dapat meningkatkan nilai akurasi MCC maupun G-mean pada metode Naïve Bayes.
4. Teknik oversampling SMOTE + Random Forest meningkatkan akurasi hingga sekitar 94,54% pada dataset penyakit jantung.
5. Penanganan distribusi kelas yang tidak seimbang menggunakan ADASYN dapat meningkatkan nilai akurasi MCC maupun G-mean pada metode KNN.
6. SMOTE SVM meningkatkan tingkat akurasi sebesar 1% dari 80% menjadi 81%, yang dipengaruhi oleh peningkatan hasil uji label True (minoritas) dan penurunan hasil uji label False (mayoritas). SMOTE SVM lebih baik daripada ADASYN SVM, dan SVM tanpa oversampling.

Secara keseluruhan, pemilihan metode klasifikasi yang tepat sangat memengaruhi performa ADASYN dan SMOTE. Beberapa metode klasifikasi, seperti KNN, Naïve Bayes, Random Forest, dan SVM, menunjukkan peningkatan kinerja yang signifikan ketika dikombinasikan dengan teknik oversampling seperti SMOTE dan ADASYN, terutama dalam menangani dataset yang tidak seimbang. Luck365