Abstract:
Permasalahan ketidakseimbangan kelas (Imbalanced Class) menyebabkan hasil klasifikasi lebih condong ke kelas mayoritas. Dimana jumlah class negative (mayoritas) lebih besar dari class positive (minoritas) yang dapat menurunkan kinerja model prediksi. Sebagian besar pendekatan ini melakukan putaran resampling acak untuk kelas mayoritas (misalkan undersampling) atau minoritas (misalkan oversampling). Algoritma K- Nearest Neighbor (KNN) merupakan algoritma yang digunakan untuk mengklasifikasikan objek baru berdasarkan atribut dan training sample. Pemberian bobot pada KNN disebut juga Weighted K-Nearest Neighbor (WKNN). WKNN pada dasarnya memiliki prinsip yang sama dengan metode KNN. Pada metode WKNN invers kuadrat dari jarak Euclid digunakan sebagai bobot, kemudian bobot tersebut digabungkan dengan algoritma metode KNN. Hasil pengklasifikasian data tidak seimbang menggunakan metode KNN dan WKNN menghasilkan nilai akurasi masing – masing sebesar 94,8?n 95,8% sedangkan pengklasifikasian data seimbang (Cluster Based Undersampling) menggunakan KNN- CBU dan WKNN-CBU dimana menghasilkan nilai akurasi masing – masing sebesar 88,7?n 80,4%
