Akurasi Klasifikasi Multivariate Adaptive Regression Spline (Mars) Pada Data Simulasi Class Imbalance Peubah Respon Biner Menggunakan Metode Bootstrap Aggregating (Bagging) Dan Synthetic Minority Over-Sampling Technique (Smote)

Amrullah, Ahmad Arul Nurfahmi (2019) Akurasi Klasifikasi Multivariate Adaptive Regression Spline (Mars) Pada Data Simulasi Class Imbalance Peubah Respon Biner Menggunakan Metode Bootstrap Aggregating (Bagging) Dan Synthetic Minority Over-Sampling Technique (Smote). Sarjana thesis, Universitas Brawijaya.

Abstract

Model Multivariate Adaptive Regression Spline (MARS) termasuk salah satu metode dalam regresi nonparametrik yang populer digunakan dalam permasalahan prediksi maupun klasifikasi. Permasalahan yang muncul dalam metode klasifikasi adalah adanya ketidakseimbangan banyanknya pengamatan antar kelas pada peubah respon yang cukup jauh sehingga terbentuk kelas data mayoritas dan kelas data minoritas. Model klasifikasi MARS pada umumnya efektif dalam mengklasifikasikan data yang tidak seimbang ini, karena model MARS merupakan model yang adaptif yaitu mampu membentuk model dengan cara menyesuiakan pola data yang ada. Untuk mengurangi kesalahan klasifikasi kelas minoritas pada data tidak seimbang dan untuk meningkatkan akurasi atau kekuatan klasifikasi pada model MARS dapat menggunakan dua metode yaitu Bootstrap Aggregating (Bagging) dan Synthetic Minority Oversampling Technique (SMOTE). Penelitian ini bertujuan untuk mengetahui ketepatan klasifikasi menggunakan metode MARS, Bagging-MARS dan SMOTE-MARS pada data simulasi yang memiliki ketidakseimbangan banyanknya pengamatan antar kelas dengan proporsi kelas minoritas sebesar 10%, 15% dan 20%. Hasil penelitian ini menunjukkan ketepatan klasifikasi pada metode Bagging-MARS memiliki kekuatan klasifikasi yang paling bagus dibandingkan metode MARS dan SMOTE-MARS dengan melihat nilai akurasi, sensitifitas dan APER yang dihasilkan pada setiap tingkat proporsi kelas minoritas

English Abstract

The Multivariate Adaptive Regression Spline (MARS) model is one of the methods in nonparametric regression that is popularly used in both prediction and classification problems. The problem that arises in the classification method is the imbalance of the number of observations between classes on the response variables far enough to form the majority data class and the minority data class. The MARS classification model is generally effective in classifying this unbalanced data, because the MARS model is an adaptive model that is able to form a model by adjusting existing data patterns. To reduce misclassification of minority classes on unbalanced data and to improve the accuracy or strength of classification on the MARS model, two methods can be used, namely Bootstrap Aggregating (Bagging) and Synthetic Minority Over-sampling Technique (SMOTE). This study aims to determine the accuracy of classification using the MARS, Bagging-MARS and SMOTE-MARS methods on simulation data that has a lot of imbalance between class observations with the proportion of minority classes by 10%, 15% and 20%. The results of this study indicate that the classification accuracy of the Bagging-MARS method has the best classification strength compared to the MARS and SMOTE-MARS methods by looking at the accuracy, sensitivity and APER values produced at each level of proportion of the minority classes.

Other obstract

-

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/MIPA/2019/491/052001655
Uncontrolled Keywords:	MARS, Bagging, SMOTE, Ketidakseimbangan Kelas, MARS, Bagging, SMOTE, Class Imbalance.
Subjects:	500 Natural sciences and mathematics > 511 General principles of mathematics > 511.8 Mathematical models (Mathematical simulation)
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User:	Budi Wahyono Wahyono
Date Deposited:	05 Aug 2020 08:03
Last Modified:	15 Mar 2023 07:48
URI:	http://repository.ub.ac.id/id/eprint/178923

Text Ahmad Arul Nurfahmi Amrullah.pdf Download (5MB)

Actions (login required)

View Item