Metode Oversampling Awh-Smote Untuk Menangani Masalah Imbalanced Data, Studi Kasus Data Kelulusan Mata Kuliah Mahasiswa Di Perguruan Tinggi Xyz.

Br. Silalahi, Angelita Titiandes (2022) Metode Oversampling Awh-Smote Untuk Menangani Masalah Imbalanced Data, Studi Kasus Data Kelulusan Mata Kuliah Mahasiswa Di Perguruan Tinggi Xyz. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000088-Undergraduate_thesis.pdf Restricted to Repository staff only Download (7MB)

Abstract

Data yang tidak seimbang seringkali menjadi masalah ketika hendak melakukan pemrosesan data. Contohnya data faktor kelulusan mahasiswa yang pada umumnya tidak seimbang karena pada kenyataannya memang lebih banyak mahasiswa yang lulus dibandingkan dengan yang tidak lulus. Salah satu metode yang dapat digunakan untuk mengatasi kondisi data tidak seimbang adalah dengan melakukan oversampling. Oversampling dilakukan untuk meningkatkan akurasi pada data training, sehingga dapat meningkatkan akurasi prediksi. Oversampling sudah terbukti dapat membantu mengatasi masalah imbalanced data pada banyak kasus. SMOTE adalah salah satu metode oversampling yang sering digunakan. Banyak penelitian yang mencoba untuk melakukan peningkatan metode oversampling SMOTE, salah satunya AWH-SMOTE. AWH-SMOTE melakukan peningkatan pada pemberian bobot atribut dan pemilihan sampel data. Data imbalanced pada penelitian ini adalah data faktor kelulusan mahasiswa. Hasil ujicoba oversampling data menggunakan AWH-SMOTE dengan menggunakan 309 data yang terdiri dari 246 data mayor dan 63 data minor berhasil menambahkan data sebanyak 73 data minor sintetis ke dalam data asli sehingga data yang awalnya memilki perbandingan minor dan mayor sebesar 1:5 menjadi 11:21 dan data yang dihasilkan jaraknya cukup dekat dengan data minor asli dengan rata-rata jarak sebesar 4,1831 dari maksimal jarak sebesar 16 serta memiliki nilai akurasi, presisi, dan recall yang lebih baik jika dibandingkan dengan data yang belum di-oversampling. Kesimpulannya, AWH-SMOTE adalah metode oversampling yang cukup baik.
==============================================================================================================================
Imbalanced data is often a problem when you want to do data. For example, student graduation data are generally unbalanced because, there are more students who graduate than those who do not in the reality. One method that can be used to overcome imbalanced data conditions is by oversampling. Oversampling is done to increase the accuracy of the training data, which can increase the prediction accuracy. Oversampling is proven to help overcome the problem of data imbalance in many cases. SMOTE is one of the most frequently used oversampling methods. Many studies have tried to improve SMOTE oversampling, one of which is AWH-SMOTE. AWH-SMOTE improves the attribute weight assignment and data sample selection. The imbalance of data in this study is data on student graduation factors. The results of data oversampling using AWH-SMOTE added 73 synthetic minor data into the original data so that the data that initially had a minor and major ratio of 1:5 became 11:21 and the resulting data was quite close to the original minor data with an average the average distance is 4,1831 from a maximum distance of 16 and has better accuracy, precision, and recall values when compared to data that has not been oversampled. In onclusion, AWH-SMOTE ia a good oversampling method.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.31 Sil m-1 2022
Uncontrolled Keywords:	AWH-SMOTE, Imbalanced Data, Oversampling, SMOTE. AWH-SMOTE, Imbalanced Data, Oversampling, SMOTE.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 01:50
Last Modified:	26 May 2026 01:50
URI:	http://repository.its.ac.id/id/eprint/133417

Actions (login required)

View Item