Penelitian ini berfokus pada penanganan data yang memiliki sebaran data yang tidak seimbang
sebagai input proses klasifikasi. Kondisi data seperti ini banyak ditemukan dalam dunia nyata,
salah satu contohnya yaitu masalah churn customer (konsumen yang tidak loyal) pada industri
telekomunikasi atau perbankan dimana sampel data kelas churner jumlahnya jauh lebih sedikit
(kelas minor) dibandingkan kelas non-churner (kelas mayor). Jika tidak ditangani dengan baik,
kondisi kelas minor tersebut dapat menghilangkan potensi pendapatan perusahaan dalam jum-
lah yang besar. Saat ini telah banyak penelitian yang mengembangkan berbagai metode pada
tingkat data atau sampling untuk menangani masalah tersebut. Namun, permasalahan kualitas data
pada data tidak seimbang seperti keberadaan noise juga mengganggu proses sampling dan dapat
berdampak negatif terhadap performa model klasifikasi. Masalah noise juga menjadi permasalahan
utama pada metode over-sampling yang populer seperti Synthetic Minority Over-sampling Tech-
nique (SMOTE). Oleh karena itu, penelitian ini bertujuan mengembangkan metode evolutionary
hybrid sampling untuk meningkatkan performa model klasifikasi pada data tidak seimbang dengan
melakukan perbaikan kualitas data sebelum dan sesudah proses balancing SMOTE. Metode yang
diusulkan yaitu Tomek-SMOTE-GA (TSGA) dan fokus pada penyelesaian masalah data binary
class. Metode TSGA melakukan proses sample denoising menggunakan metode Tomek links
sebelum menerapkan SMOTE, yang kemudian dilanjutkan dengan proses sample optimization
menggunakan evolutionary algorithm setelah SMOTE. Genetic algorithm (GA) sebagai salah satu
evolutionary algorithm digunakan untuk proses optimasi sampel. Selanjutnya, train set yang telah
dipilih digunakan untuk mengembangkan model klasifikasi dengan lima classifier, yaitu decision
tree, logistic regression, support vector machine, k-nearest neighbors, dan naive bayes. Hasil
eksperimen dan uji statistik pada 24 dataset tidak seimbang menunjukkan bahwa metode TSGA
yang diusulkan, secara signifikan lebih unggul dibandingkan dengan metode sampling baseline
maupun state-of-the-art dalam hal geometric-mean, terutama saat menggunakan decision tree se-
bagai classifier. Hasil tersebut telah menjawab dua research question pada disertasi ini. Penelitian
kedepannya dapat dilakukan dengan mengembangkan metode TSGA untuk menangani masalah
data tidak seimbang pada dataset multi-class, data time-series, dan aplikasi real-time.