Klasifikasi Data Tidak Seimbang Menggunakan SMOTE-ENN dengan Optimasi Bayesian

Abstract

Deteksi dini gagal jantung krusial, namun data medis sering menghadapi imbalance class, menyebabkan bias model dan akurasi rendah pada kelas minoritas. Penelitian ini mengusulkan pendekatan komprehensif: mengintegrasikan Synthetic Minority Oversampling Technique (SMOTE) dan Edited Nearest Neighbors (ENN) untuk penyeimbangan dan pembersihan data, serta menggunakan Extreme Gradient Boosting (XGBoost) sebagai model klasifikasi utama. Kinerja model ditingkatkan melalui hyperparameter tuning dengan Bayesian Optimization yang efisien. Hasil eksperimen menunjukkan SMOTE-ENN efektif menyeimbangkan distribusi kelas dan mengurangi false negative. Bayesian Optimization berhasil meningkatkan Area Under the Curve (AUC) model hingga 0.84. Peningkatan signifikan pada Recall kelas positif, didukung konsistensi performa visual, menegaskan efektivitas pendekatan hibrida ini dalam membangun model deteksi gagal jantung yang robust, akurat, dan andal.