Integrasi Kmeans-SMOTE untuk Penanganan Imbalance Data dalam Klasifikasi Financial Distress Companies menggunakan SVM dan Na?ve Bayes - Dalam bentuk pengganti sidang - Artikel Jurnal
DIDIT JOHAR MAULANA
Informasi Umum
Kode
23.04.6666
Klasifikasi
006.31 - Machine Learning
Jenis
Karya Ilmiah - Skripsi (S1) - Reference
Subjek
Machine Learning
Dilihat
18 kali
Informasi Lainnya
Abstraksi
<p>Data yang tidak seimbang menghadirkan tantangan yang signifikan dalam pembelajaran mesin, yang menyebabkan hasil klasifikasi menjadi bias dan menguntungkan kelas mayoritas. Masalah ini terutama terlihat pada klasifikasi kesulitan keuangan, dimana ketidakseimbangan data sering terjadi karena kelangkaan contoh-contoh tersebut dalam kumpulan data dunia nyata. Penelitian ini bertujuan untuk memitigasi ketidakseimbangan data pada perusahaan financial distress dengan menggunakan pendekatan Kmeans-SMOTE dengan menggabungkan Kmeans clustering dan Synthetic Minority Oversampling Technique (SMOTE). Berbagai pendekatan klasifikasi, termasuk Naïve Bayes dan Support Vector Machine (SVM) diterapkan pada kumpulan data kesulitan keuangan dari Kaggle untuk mengevaluasi efektivitas Kmeans-SMOTE. Hasil eksperimen menunjukkan bahwa SVM mengungguli Naïve Bayes dengan akurasi yang mengesankan (99,1%), f1-score (99,1%), Area Under Precision-Recall (AUPRC) (99,1%), dan Geometric-mean (Gmean) (98,1%).</p>
- CII4E4 - TUGAS AKHIR
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
Anda harus log in untuk mengakses flippingbook
Pengarang
| Nama | DIDIT JOHAR MAULANA |
| Jenis | Perorangan |
| Penyunting | Siti Sa'adah, Prasti Eko Yunanto |
| Penerjemah |
Penerbit
| Nama | Universitas Telkom, S1 Informatika |
| Kota | Bandung |
| Tahun | 2023 |
Sirkulasi
| Harga sewa | IDR 0,00 |
| Denda harian | IDR 0,00 |
| Jenis | Non-Sirkulasi |
