ANALISIS PERBANDINGAN PERFORMANSI TEKNIK RESAMPLING DATA SMOTE DAN SMOTEN PADA KLASIFIKASI MULTICLASS CURAH HUJAN HARIAN MENGGUNAKAN EXTREME GRADIENT BOOSTING (XGBOOST)

Anggraini, Najwa Laila (2025) ANALISIS PERBANDINGAN PERFORMANSI TEKNIK RESAMPLING DATA SMOTE DAN SMOTEN PADA KLASIFIKASI MULTICLASS CURAH HUJAN HARIAN MENGGUNAKAN EXTREME GRADIENT BOOSTING (XGBOOST). Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (COVER) cover.pdf Download (2MB)
	Text (BAB I) bab I.pdf Download (275kB)
	Text (BAB II) bab II.pdf Restricted to Repository staff only until 27 May 2027. Download (437kB)
	Text (BAB III) bab III.pdf Restricted to Repository staff only until 27 May 2027. Download (738kB)
	Text (BAB IV) bab IV.pdf Restricted to Repository staff only until 27 May 2027. Download (1MB)
	Text (BAB V) bab V.pdf Download (257kB)
	Text (DAFAR PUSTAKA) Daftar Pustaka.pdf Download (189kB)

Abstract

Dalam membangun sistem klasifikasi yang akurat diperlukan penanganan dalam banyak faktor, salah satunya masalah ketidakseimbangan data. Beberapa teknik resampling data diciptakan untuk memenuhi kebutuhan dalam berbagai jenis dataset. Penelitian ini berfokus pada performansi teknik resampling untuk meningkatkan keakuratan model XGBoost dalam melakukan klasifikasi melalui pendekatan SMOTE dan SMOTEN. Penelitian ini menggunakan dataset sebanyak 5.804 data harian curah hujan pada Provinsi Jawa Timur dengan 8 kolom bertipe numerik dan 1 kolom bertipe kategorikal. Dataset kemudian dilakukan training menggunakan cross validation dengan 5 dan 10 fold, serta penggunaan nilai learning rate yang berbeda. Tujuannya untuk melihat ketahanan dan stabilitas dari kedua teknik resampling yang digunakan. Hasil yang diperoleh menunjukkan bahwa baik SMOTE maupun SMOTEN dapat meningkatkan nilai akurasi dari model baseline tanpa resampling. Dalam pengujiannya, seluruh eksperimen dari SMOTEN memiliki nilai akurasi paling tinggi dan paling stabil yaitu 92,92% membutuhkan 37,2 detik waktu komputasi, kemudian hasil akurasi dari SMOTE 90,58%, dengan waktu komputasi lebih lama 8,4 detik dari SMOTEN yaitu 45,6 detik. Kedua skenario ini terbukti dapat meningkatkan 15,22% hingga 17,56% akurasi dalam penggunaan dataset asli.

Item Type:

Thesis (Undergraduate)

Contributors: