ANALISIS IMBALANCE MULTICLASS PADA KLASIFIKASI CURAH HUJAN DENGAN METODE SMOTE NEURAL NETWORK
Total View This Week0
Total View This Week0
Institusion
Universitas Nahdlatul Ulama Sunan Giri
Author
PUTRI, WARDIANA ADINDA
Subject
526 Geografi matematis
Datestamp
2024-08-03 06:42:47
Abstract :
Curah hujan memengaruhi aktifitas manusia, khususnya dalam bercocok tanam maupun kehidupan sehari-hari. Oleh karena itu, sangat penting untuk mengklasifikasikan curah hujan agar kita dapat memprediksi jumlah curah hujan yang akan datang. Penelitian ini menggunakan metode klasifikasi Multilayer perceptron (MLP), salah satu dari algoritma Neural Network. Dataset yang diperoleh dari website BMKG terjadi imbalance class sehingga perlu dilakukan teknik oversampling SMOTE. Penelitian ini membandingkan performa MLP tanpa SMOTE dan MLP dengan SMOTE. Berdasarkan hasil analisis, model terbaik yang dihasilkan ketika menggunakan SMOTE, MLP tanpa SMOTE diperoleh nilai akurasi 75%, senvitifity 40,34%, specificity 86,15% dan nilai AUC 63,25% sedangkan MLP dengan SMOTE diperoleh nilai akurasi 71,27%, sensitivity 71,14%, specificity 90,30% dan nilai AUC 80,72%. meskipun nilai akurasi mengalami penurunan namun secara keseluruhan evaluasi mengalami peningkatan terutama nilai AUC sehingga dapat disimpulkan bahwa teknik SMOTE mampu mengatasi masalah imbalance class.
Curah hujan memengaruhi aktifitas manusia, khususnya dalam bercocok tanam maupun kehidupan sehari-hari. Oleh karena itu, sangat penting untuk mengklasifikasikan curah hujan agar kita dapat memprediksi jumlah curah hujan yang akan datang. Penelitian ini menggunakan metode klasifikasi Multilayer perceptron (MLP), salah satu dari algoritma Neural Network. Dataset yang diperoleh dari website BMKG terjadi imbalance class sehingga perlu dilakukan teknik oversampling SMOTE. Penelitian ini membandingkan performa MLP tanpa SMOTE dan MLP dengan SMOTE. Berdasarkan hasil analisis, model terbaik yang dihasilkan ketika menggunakan SMOTE, MLP tanpa SMOTE diperoleh nilai akurasi 75%, senvitifity 40,34%, specificity 86,15% dan nilai AUC 63,25% sedangkan MLP dengan SMOTE diperoleh nilai akurasi 71,27%, sensitivity 71,14%, specificity 90,30% dan nilai AUC 80,72%. meskipun nilai akurasi mengalami penurunan namun secara keseluruhan evaluasi mengalami peningkatan terutama nilai AUC sehingga dapat disimpulkan bahwa teknik SMOTE mampu mengatasi masalah imbalance class.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
