Penerapan Metode Smote Untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung

Klasifikasi adalah suatu proses yang dilakukan untuk menemukan sebuah model dengan tujuan untuk memperkirakan  kelas dari suatu objek yang kelasnya tidak diketahui. Salah satu permasalahan yang dihadapi pada klasifikasi adalah tentang ketidakseimbangan  kelas (imbalance Class) yang mana suatu dataset terdapat jumlah jumlah kelas yang datanya tidak merata Sehingga memberikan dampak yang tidak baik pada hasil klasifikasi. Cara mengatasi ketidakseimbangan kelas pada klasifikasi dengan menerapkan metode SMOTE (Synthetic Minority Over-sampling Technique). Pengujian data penyakit gagal jantung dengan penerapan metode metode SMOTE dapat meningkatkan permforma akurasi dari beberapa algoritma klasifikasi. Hasil kinerja yang diperoleh menunjukan bahwa model pengklasifikasi SMOTE Random Forest memiliki nilai accuracy yang lebih tinggi dibandingkan dengan  beberapa model lainnya dengan nilai accuracy sebesar 0,881 atau 88,1% yang dan nilai AUC sebesar 0.947 atau 94,7%. Maka dapat disimpulkan bahwa Algoritma yang memiliki performa terbaik adalah adalah SMOTE Random Forest.