Teknik Oversampling Berbasis Pruning Dengan Smoothed Bootstrap Resampling untuk Imbalanced Dataset Klinis Covid-19

Wibowo, Prasetyo (2021) Teknik Oversampling Berbasis Pruning Dengan Smoothed Bootstrap Resampling untuk Imbalanced Dataset Klinis Covid-19. Masters thesis, Institut Teknologi Sepuluh Nopember Surabaya.

Text 05111950015001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2023. Download (3MB) | Request a copy

Abstract

Coronavirus disease (COVID-19) dinyatakan sebagai penyakit pandemik oleh World Health Organization (WHO) dan belum berakhir hingga saat ini. Seiring dengan meningkatnya laju infeksi penyebaran COVID-19, diperlukan pendekatan komputasi untuk memprediksi pasien yang terinfeksi COVID-19 guna mempercepat waktu diagnosis dan meminimalkan human error jika dibandingkan dengan diagnosis konvensional. Namun masalah utama yang dihadapi adalah banyaknya data negatif dibandingkan dengan data positif sehingga mengakibatkan jumlah kelas tidak seimbang satu sama lain yang menyebabkan pembiasan hasil evaluasi model. Penelitian ini mengusulkan teknik oversampling baru, bernama TRIM-Smoothed Bootstrap Resampling (TRIM-SBR) yang menghasilkan data kelas minoritas untuk mendiagnosis pasien yang terinfeksi COVID-19. Metode yang diusulkan berbasis pruning dengan mencari area minoritas tertentu sambil tetap mempertahankan generalisasi data dan menghasilkan seed data minoritas. Seed berfungsi sebagai tolok ukur dalam membuat data baru yang disintesis menggunakan teknik smoothed bootstrap resampling. Hasil pengujian menunjukkan bahwa metode yang diusulkan berada pada peringkat satu dengan nilai recall 82,35%, F1-score 66,67%, dan AUC-ROC 90,41% dibandingkan dengan teknik oversampling lainnya.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Oversampling; Smoothed Bootstrap Resampling; Imbalanced Data; Machine Learning; COVID-19
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Prasetyo Wibowo
Date Deposited:	27 Feb 2021 01:10
Last Modified:	27 Feb 2021 01:10
URI:	http://repository.its.ac.id/id/eprint/82955

Actions (login required)

View Item