Penanganan imbalance class data laboratorium kesehatan dengan Majority Weighted Minority Oversampling Technique

Abstract

Diagnosis suatu penyakit akan menjadi tepat jika didukung dengan berbagai proses mulai pengecekan awal (amannesa) sampai pengecekan laboratorium. Hasil dari proses laboratorium mempunyai informasi berbagai penyakit, akan tetapi beberapa jenis penyakit memiliki prevalensi rendah. Penyakit bervalensi rendah memiliki pengaruh dalam penanganan pasien lebih lanjut. Dengan rasio yang tidak seimbang data laboratorium akan menyebabkan nilai akurasi menjadi rendah dalam pengklasifikasian dan penanganan penyakit. Majority Weighted Minority Oversampling Technique (MWMOTE) adalah saalah satu cara untuk menyelesaikan imbalanced. Penelitian ini bertujuan menangani permasalahan ketidakseimbangan data laboratorium kesehatan sehingga diperoleh hasil pengklasifikasian penyakit dengan tingkat akurasi lebih tinggi. Hasil pada penelitian ini menunjukkan bahwa MWMOTE dapat meningkatkan akurasi untuk permasalahan ketidakseimbangan data sebesar 3,13%. Diagnosis of a disease will be appropriate if supported by various processes ranging from initial checks (amannesa) to laboratory checks. Results from the laboratory process have information on various diseases, but some types of diseases have a low prevalence. Low-valvature disease has an effect in the treatment of the patient further. With an unbalanced ratio the laboratory data will cause the accuracy value to be low in the classification and handling of the disease. Majority Weighted Minority Oversampling Technique (MWMOTE) is one way to complete imbalanced. This study aims to address the problem of imbalance of health laboratory data to obtain the results of the classification of disease with a higher degree of accuracy. The results of this study indicate that MWMOTE can improve accuracy for data imbalance problems by 3.13%.

MWMOTE optimization for imbalanced data using complete linkage

“…Untoro dan Buliali [6] menyatakan bahwa data yang tidak seimbang pada data kesehatan dapat diselesaikan dengan Majority Weighted Minority Oversampling Technique (MWMOTE) dan memperoleh akurasi 85,47 %. Wei dkk.…”

Improvisasi Teknik Oversampling MWMOTE Untuk Penanganan Data Tidak Seimbang

“…Misklasifikasi menjadi suatu permasalahan yang sering terjadi dalam proses klasifikasi pada data yang tidak seimbang. Hal tersebut dapat terjadi karena classifier akan cenderung mengarah ke data kelas mayoritas dan mengakibatkan tingkat akurasi terhadap data kelas minoritas menjadi rendah [6]. Untuk menangani data tidak seimbang, beberapa penelitian melakukan manipulasi sampel data (pembuatan data sintetis) dan mengaplikasikan suatu algoritma [7], [8].…”

“…Oversampling merupakan suatu metode yang dilakukan untuk menangani permasalahan ketidakseimbangan data dengan melakukan pembagian data yang seimbang. Pembagian data dilakukan dengan cara melakukan replikasi data kelas minoritas secara acak dan berulang-ulang sampai memiliki kuantitas yang sama dengan data kelas mayoritas [6]. Mekanisme pembuatan data sintetis pada oversampling memiliki kekurangan dengan munculnya overfitting.…”

“…(2) Setiap anggota sampel informatif minoritas diberi bobot seleksi sample weight (Sw), sesuai dengan kepentingan data. (3) Proses clustering bertujuan untuk menjaga sampel data sintetis yang dihasilkan berada dalam satu kelompok cluster [6]. Terdapat enam data parameter yang ada pada MWMOTE yang digunakan untuk melakukan generate data sintetis, yaitu: 1.…”

Penerapan Metode Resampling Dalam Mengatasi Imbalanced Data Pada Determinan Kasus Diare Pada Balita Di Indonesia (Analisis Data Sdki 2017)

“…Data yang memiliki rasio yang tidak berimbang antara data satu dengan data lainnya dapat dikatakan sebagai imbalanced. Data mining mengartikan imbalanced dengan jumlah data kelas mayoritas lebih banyak dibandingkan dengan kelas minoritas [1]. Penurunan akurasi pada imbalanced disebabkan banyak ditemukan noise atau outlier pada dataset uji yang berasal dari kelas minoritas [2].…”