Kajian Performa Metode Class Weight Random Forest pada Klasifikasi Imbalance Data Kelas Curah Hujan

Abstract

Data hujan merupakan aspek penting dalam bidang hidrometeorologi dan penerbangan. Namun, data
curah hujan yang dicatat oleh sistem cuaca otomatis yaitu Automatic Weather Station (AWS) selama satu tahun
cenderung tidak seimbang, dengan kelas yang tidak hujan mendominasi. Hal ini mengakibatkan bias dalam klasifikasi,
karena ketidakseimbangan antara kelas yang dominan dan yang tidak dominan. Random forest merupakan salah satu
model machine learning yang dapat digunakan dalam proses klasifikasi dan dalam menangani masalah ketidakseimbangan
data digunakan penambahan metode class weight pada model random forest dengan beberapa kombinasi nilai. Percobaan
untuk pengaturan class weight dilakukan dengan berbagai pengaturan nilai, dan hasil kombinasi terbaik ditemukan pada
pengaturan class weight {0: 0.5, 1: 1.5, 2: 1.5, 3: 1.5, 4: 1.5} pada data latihan dan pada data uji, model dengan pengaturan
class weight yang sama mencapai akurasi sebesar 73%.