IMPLEMENTASI IQR-SMOTE UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI DIABETES MENGGUNAKAN K-NEAREST NEIGHBORS

Abstract

Diabetes merupakan salah satu penyakit yang paling berbahaya yang berada di urutan ketiga paling mematikan di Indonesia setelah stroke dan jantung. Banyak cara untuk mendeteksi penyakit ini lebih dini, salah satunya adalah dengan melakukan klasifikasi dengan menggunakan machine learning. Pada penelitian ini, menggunakan teknik Interquartile Range untuk melakukan deteksi data outlier pada suatu dataset kemudian teknik SMOTE untuk melakukan oversampling data. Data yang digunakan adalah Pima Indian Diabetes yang memiliki jumlah kelas positif sebanyak 268 data dan kelas negatif sebanyak 500 data. Penelitian dilakukan dengan membandingkan model K-Nearest Neighbors dengan dan tanpa oversampling pada data outlier berserta penerapan oversampling pada keseluruhan data untuk melihat model yang lebih baik dalam mengklasifikasikan diabetes. Dari perbandingan tersebut, diperoleh hasil bahwa model KNN + IQR-SMOTE merupakan model yang terbaik dari semua model berdasarkan dengan performa f1- score sebesar 68,04%.