Analisis Kinerja Metode Hybrid Machine Learning pada Imbalanced Data (Klasifikasi Curah Hujan)

ADITYA GUMILAR

Informasi Umum

Kode

23.04.1020

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning, Hybrid-programs,

Dilihat

433 kali

Informasi Lainnya

Abstraksi

Penelitian ini mengusulkan beberapa metode untuk menganalisis kinerja metode hybrid machine learning menggunakan Voting dan Stacking pada klasifikasi curah hujan. Kedua metode hybrid tersebut akan mengombinasikan lima metode klasifikasi, yaitu Logistic Regression, Support Vector Machine, Random Forest, Artificial Neural Network, dan eXtreme Gradient Boosting. Data yang digunakan adalah data curah hujan Kota Bandung tahun 2005 sampai dengan tahun 2021. Metode hybrid tergolong ensemble, artinya menggabungkan beberapa model klasifikasi individu untuk meningkatkan performansi model yang dibangun. Algoritma Voting memiliki kelemahan pada data yang tidak seimbang, sedangkan Stacking tidak. Hasil penelitian menunjukkan bahwa dengan menggabungkan lima metode machine learning pada dataset yang tidak seimbang, algoritma Stacking memperoleh nilai akurasi sebesar 99,60%. Sedangkan dengan penambahan teknik SMOTE akurasi meningkat menjadi 99,71%. Hal ini didukung dengan kinerja metode Stacking yang lebih unggul karena mengambil nilai klasifikasi terbaik untuk setiap model individu dan dapat mengatasi ketidakseimbangan. Evaluasi model tidak hanya fokus pada akurasi, tetapi juga presisi, recall, dan f1-score. Kontribusi dari penelitian ini adalah memberikan informasi tentang metode Hybrid terbaik antara Voting dan Stacking dalam memperoleh hasil performansi model pada klasifikasi curah hujan.

Kata kunci: Machine Learning, Hybrid, Klasifikasi, Curah Hujan, SMOTE