English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Klasifikasi pada data dengan kelas tidak seimbang merupakan masalah utama pada bidang machine learning dan data mining. Jika bekerja pada data tidak seimbang, hampir semua algoritma klasifikasi akan menghasilkan akurasi yang jauh lebih tinggi untuk kelas mayoritas daripada kelas minoritas. Penelitian ini akan mengimplementasikan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi data tidak seimbang pada data nasabah kredit di koperasi guru Rawamerta. Metodologi penelitian menggunakan SEMMA dengan tahapan penelitian Sample, Explore, Modify, Model, dan Asses. Tahap Sample dilakukan pemilihan data nasabah kredit Koperasi Guru Rawamerta tahun 2015-2017 dengan total data sebanyak 878 data dengan atribut yang digunakan yaitu pendapatan, jumlah simpanan, jumlah pinjaman, lama angsuran, jasa, cicilan, dan status kredit. Tahap Explore menganalisis kelas lancar yang dikategorikan sebagai kelas mayoritas karena berjumlah 813 data, sedangkan kelas macet dapat dikategorikan sebagai kelas minoritas karena berjumlah 65 data. Data tersebut menunjukkan adanya ketidakseimbangan data diantara kedua kelas. Tahapan Modify melakukan proses SMOTE 500%. Tahap Model melakukan klasifikasi menggunakan Naïve Bayes. Pemodelan naïve bayes dengan SMOTE menghasilkan 1131 data berhasil diklasifikasikan dengan benar dan 72 data tidak diklasifikasikan dengan benar sedangkan tanpa SMOTE menghasilkan 818 data berhasil diklasifikasikan dengan benar dan 60 data tidak diklasifikasikan dengan benar. Kata kunci: Naïve Bayes, SMOTE, data tidak seimbang

INTEGRASI NAIVE BAYES DENGAN TEKNIK SAMPLING SMOTE UNTUK MENANGANI DATA TIDAK SEIMBANG