IMPLEMENTASI SMOTE-ENN DAN BORDERLINE SMOTE TERHADAP PERFORMA LIGHTGBM PADA IMBALANCED CLASS

Abstrak

Ketidakseimbangan kelas (imbalanced class) merupakan tantangan yang sering dihadapi dalam pengembangan model pembelajaran mesin, di mana distribusi data yang tidak merata antara kelas mayoritas dan kelas minoritas dapat menyebabkan bias prediksi terhadap kelas mayoritas. Penelitian ini mengkaji implementasi dua metode penyeimbangan data, yaitu SMOTE-ENN (Synthetic Minority Over-sampling Technique and Edited Nearest Neighbor) dan Borderline-SMOTE, untuk meningkatkan performa model LightGBM pada dataset Online Shopper’s Purchase Intention. Dataset ini memiliki ketidakseimbangan distribusi antara kelas pembelian (True) dan non-pembelian (False), yang menghambat kemampuan model dalam mendeteksi kelas minoritas. Metode SMOTE-ENN mengombinasikan teknik oversampling untuk menciptakan sampel sintetik pada kelas minoritas dengan penghapusan sampel noise atau salah klasifikasi dari kelas mayoritas, sedangkan Borderline-SMOTE menghasilkan sampel sintetik di sekitar titik-titik kelas minoritas yang berada di dekat batas keputusan (decision boundary). Penelitian ini mengevaluasi performa model LightGBM sebelum dan sesudah penerapan kedua metode dengan menggunakan metrik evaluasi, seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua metode berhasil meningkatkan kemampuan model dalam mendeteksi kelas minoritas secara signifikan, dengan SMOTE-ENN memberikan keunggulan dalam menghasilkan distribusi data yang lebih representative dengan akurasi 93% dan Borderline-SMOTE 92%. Penelitian ini membuktikan efektivitas SMOTE-ENN dan Borderline-SMOTE dalam mengatasi ketidakseimbangan kelas