Penerapan Boosting pada data tidak seimbang dengan metode klasifikasi Support Vector Machines (Studi kasus: Sapi perah di KUNAK dan Kebon Pedes, Bogor).

Abstract

Data tidak seimbang merupakan suatu kondisi data yang penyebarannya berbeda signifikan sehingga terdapat kelas yang mendominasi (kelas mayoritas) dibanding kelas lainnya (kelas minoritas). Kasus penyakit tuberkulosis pada sapi perah merupakan salah satu contoh data yang tidak seimbang. Ketidakseimbangan data tersebut dapat menyebabkan ketepatan klasifikasi menjadi berkurang. Algoritme boosting terbukti mampu mengatasi masalah ketidakseimbangan kelas dengan cara memperbaiki algoritme pengklasifikasi tanpa mengubah data. Metode klasifikasi support vector machines (SVM) merupakan salah satu metode yang memiliki kemampuan klasifikasi yang baik. Penerapan algoritme boosting dengan pengklasifikasian menggunakan metode SVM dapat meningkatkan ketepatan klasifikasi yang dilakukan terhadap sapi perah berdasarkan status infeksi penyakit tuberkulosis. Peubah respon pada penelitian ini adalah sapi perah terinfeksi penyakit TB (kelas minoritas) dan sapi perah tidak terinfeksi penyakit TB (kelas mayoritas). Penerapan metode SVM pada data memberikan nilai sensitivitas sebesar 29.54% yang mengindikasikan bahwa model klasifikasi SVM mampu mengklasifikasikan dengan tepat kelas sapi perah yang terinfeksi penyakit TB sebesar 29.54%. Namun, setelah diterapkan algoritme boosting nilai sensitivitas meningkat sebesar 54.55%. Hal ini menunjukkan bahwa menerapkan algoritme boosting dapat memperbaiki kinerja klasifikasi terutama dalam mengklasifikasikan kelas minoritas.