PENANGANAN KETIDAKSEIMBANGAN DATA MENGGUNAKAN ALGORITMA SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) PADA KLASIFIKASI MENGGUNAKAN METODE DECISION TREE

Salah satu program pemerintah dalam menanggulangi kemiskinan adalah bantuan beras miskin. Penelitian ini menerapkan metode klasifikasi dengan decision tree yang menghasilkan pohon keputusan untuk mengambil keputusan secara tepat, namun terdapat masalah yang sering ditemui yaitu ketidakseimbangan data. Guna mengatasi hal ini diperlukan penanganan dengan menggunakan algoritma synthetic minority oversampling technique (SMOTE) agar tidak terjadi masalah accuracy paradox, artinya menyatakan suatu kelas yang diteliti cenderung terdistribusi lebih banyak atau lebih sedikit dibandingkan kelas yang lain. Data sintesis diseimbangkan menjadi 356 data, dengan 192 untuk data 0 (tidak menerima bantuan beras miskin) dan 172 untuk data 1 (menerima bantuan beras miskin). Dikatakan seimbang karena memiliki jumlah kelas tidak jauh satu sama lainnya, sehingga pada saat dilakukan pengklasifikasian menghasilkan tingkat specificity dan precision sebesar 56,25?n 88,5%. Algoritma SMOTE dapat memperbaiki hasil klasifikasi menjadi lebih baik untuk tingkat rata – rata ketepatan pada data penerima bantuan beras miskin di Kota Palu tahun 2018.
Kata Kunci: Decision Tree, SMOTE, Ketidakseimbangan Data