Evaluasi strategi Evaluasi Strategi Penanganan Imbalance Class Terhadap Akurasi Algoritma Machine Learning (ML): Studi Eksperimen Pima Indians Diabetes Dataset

Abstract

Ketidakseimbangan kelas merupakan salah satu tantangan utama dalam pengembangan model klasifikasi untuk prediksi penyakit, termasuk diabetes. Pima Indians Diabetes Dataset (PIDD) sering digunakan sebagai basis evaluasi model diagnosis diabetes, memiliki distribusi data yang tidak seimbang antara kelas positif (diabetes) dan negatif (non-diabetes). Hal ini dapat menyebabkan model klasifikasi menjadi bias terhadap kelas mayoritas dan gagal mengenali pola pada kelas minoritas yang terkadang justru lebih kritis. Penelitian ini bertujuan untuk mengevaluasi pengaruh berbagai strategi penanganan imbalance class menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) terhadap kinerja beberapa algoritma klasifikasi seperti Naive Bayes, AdaBoost, J48, Random Tree, Random Forest, dan Support Vector Machine (SVM). Evaluasi dilakukan berdasarkan akurasi dan waktu komputasi. Hasil eksperimen menunjukkan bahwa algoritma Random Forest menghasilkan performa terbaik dalam mendeteksi kasus diabetes, dengan peningkatan signifikan pada nilai akurasi dibandingkan model yang dilatih tanpa penyeimbangan kelas. Temuan ini mengindikasikan bahwa pemilihan strategi penanganan imbalance class yang tepat dapat secara signifikan meningkatkan kemampuan model dalam klasifikasi medis, khususnya untuk data yang tidak seimbang