Mengatasi Ketimpangan Data Deep Neural Network dengan Pelipatan Fitur Data Klasifikasi Spektroskopi Darah

Abstract

Permasalahan utama dalam penelitian ini adalah ketimpangan data masukan menghasilkan dampak negatif yang signifikan terhadap hasil prediksi dari model Deep Neural Network (DNN). Kemampuan klasifikasi DNN sangat akurat hanya untuk dataset yang berimbang, namun DNN pada awalnya tidak di rancang untuk menangani ketimpangan data. Ketimpangan data merupakan hal yang sering dijumpai dalam dunia nyata, menjadikan ini sebagai tantangan besar dalam prediksi klasifikasi menggunakan model DNN. Penelitian ini berfokus untuk memprediksi tingkat kandungan kolesterol tinggi, kolesterol rendah dan hemoglobin, menggunakan data kasus di kompetisi Zindi Blood Spectroscopy Classification Challenge. Dengan melakukan analisa data, cleansing outlier, fine tunning, model neural network, jaringan pengelompokan data target dengan kategori sejenis, urutan pemrosesan, pemilihan nilai pelipatan (7 pelipatan) yang tepat terhadap data input train dan data test serta epoch 60, dapat meningkatkan hasil nilai score prediksi yang cukup tinggi sebesar 0.94594.