Metode Ensemble Berbasis Bagging untuk Penanganan Pemodelan Klasifikasi pada Data dengan Kelas Tidak Seimbang

Abstract

Beberapa tahun terakhir ini permasalahan ketidakseimbangna kelas menjadi topik hangat di komunitas data mining. Permasalahan kelas tidak seimbang muncul ketika jumlah kelas yang satu lebih banyak dibandingkan dengan kelas lainnya. Kelas dengan jumlah banyak dinamakan kelas mayoritas dan kelas dengan jumlah sedikit dinamakan kelas minoritas. Contohnya pada satu himpunan data yang terdiri dari dua kelas, rasio jumlah contoh pada kelas tersebut sebesar 1:100, 1:1000 dan atau 1:10.000. Dampak yang di timbulkan dari ketidakseimbangan tersebut mengakibatkan klasifikasi menjadi tidak optimal dikarenakan kelas dengan jumlah contoh yang lebih banyak memberikan pengaruh yang sangat besar dalam klasifikasi. Beberapa kasus mengenai permasalahan ketidakseimbangan terkadang menjadi suatu hal yang sangat penting. Misalnya mendeteksi kecurangan dalam operasional perbankan, mendeteksi gangguan jaringan, resiko mengelola dan memprediksi kegagalan peralatan teknis Penelitian ini menggunakan metode ensemble berbasis bagging seperti UnderBagging, OverBagging, UnderOverBagging, SMOTEBagging, Roughly Balanced Bagging dan yang terakhir yaitu Bagging Ensemble Variation. Data yang digunakan diperodeh dari UCI Repository dengan 16 data delapan diantaranya memiliki kategori kelas dengan permasalahan ketidakseimbangan yang rendah dan sisanya masuk kedalam kategori permasalahan ketidakseimbangan yang tinggi. Jumla kelas yang digunakan pada penelitian ini berjumlah dua kelas. Kelas dengan jumlah yang sedikit dijadikan sebagai kelas minoritas dan sisanya dijadikan sebagai kelas mayoaritas. Hasil dari penelitian ini yaitu metode metode berbasis bagging memberikan hasil yang lebih baik jika dibandingkan dengan metode klasik seperti pohon klasifikasi.