PENERAPAN SMOTE UNTUK MENANGANI KETIDAKSEIMBANGAN KELAS DALAM KLASIFIKASI TINGKAT KEMUNGKINAN OBESITAS MENGGUNKAN EXTREME LEARNING MACHINE (ELM)

Abstract

Berbagai macam penyakit degeneratif seperti penyakit jantung dan stroke, dapat muncul akibat dari obesitas. Oleh karena itu, penting adanya pengetahuan dalam kasus tingkat obesitas sehingga dapat dilakukan penanganan dini, caranya yaitu dengan teknik klasifikasi. ELM merupakan metode pembelajaran baru dari jaringan syaraf tiruan dengan single hidden layer atau biasa disebut single hidden layer feedforward neural network. Data obesitas yang digunakan dalam penelitian ini merupakan data tidak seimbang, pada beberapa kasus hal ini dapat berpengaruh terhadap hasil klasifikasi. SMOTE merupakan metode oversampling yang sudah terbukti dapat menangani data tidak seimbang. Tujuan penelitian ini adalah untuk mengetahui seberapa besar pengaruh SMOTE dalam klasifikasi tingkat kemungkinan obesitas menggunakan ELM. Dari pegujian yang telah dilakukan didapatkan bahwa kinerja paling tinggi pada data tanpa penambahan SMOTE didapat pada jumlah 100 hidden neuron dengan akurasi 67?n AUC 0,81. Sedangkan untuk data dengan penambahan SMOTE diperoleh hasil paling tinggi pada 500 hidden neuron dengan akurasi 84?n AUC 0,93.