Analisis Perbandingan Metode Support Vector Machine (Svm) Dengan Oversampling Synthetic Minority Oversampling Technique (Smote) Dan Adaptive Synthetic (Adasyn) Pada Klasifikasi Curah Hujan (Studi Kasus : Curah Hujan Provinsi Riau Tahun 20162021)

Abstract

Penelitian ini bertujuan untuk mengetahui performa metode Support Vector Machine (SVM) dalam mengklasifikasi data curah hujan Provinsi Riau tahun 20162021. Dari data curah hujan yang diperoleh terdapat ketidakseimbangan kelas data.

Hal ini dapat mengakibatkan model klasifikasi sangat buruk memprediksi data pada

kelas

minoritas karena adanya kelas mayoritas yang mendominasi, sehingga dilakukan penanganan ketidakseimbangan data menggunakan oversampling Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic (ADASYN). Hasil analisis penelitian ini menunjukkan bahwa kernel RBF adalah kernel dengan performa terbaik karena memiliki akurasi tertinggi pada hasil klasifikasi. Akurasi SVM dengan SMOTE lebih tinggi pada saat klasifikasi data training yakni sebesar 98.46%. Akan tetapi, hasil evaluasi ketepatan klasifikasi menggunakan data testing menunjukkan bahwa SVM dengan data yang tidak seimbang memiliki akurasi tertinggi. Hal ini berarti SVM dengan SMOTE sangat bagus dalam mengklasifikasi data training namun buruk dalam mengklasifikasi data testing. Akurasi SVM dengan data yang tidak seimbang memiliki akurasi tertinggi pada saat klasifikasi data testing, tetapi nilai sensitivitas dan spesifisitasnya lebih rendah daripada nilai sensitivitas dan spesifisitas SVM dengan SMOTE dan SVM dengan ADASYN. Berdasarkan hal ini dapat dikatakan penggunaan oversampling SMOTE dan ADASYN dalam mengatasi ketidakseimbangan data memang dapat meningkatkan nilai sensitivitas dan spesifisitas namun tidak dapat meningkatkan nilai akurasi.