Perpustakaan Digital ITB

Ketidakseimbangan data pada klasifikasi tahapan tidur menggunakan sinyal EEG satu kanal dapat menyebabkan model cenderung bias terhadap kelas mayoritas, sehingga menurunkan akurasi prediksi kelas minoritas. Penelitian ini mengevaluasi efektivitas teknik oversampling, yaitu SMOTE dan ADASYN, dalam meningkatkan keseimbangan prediksi pada model machine learning (Random Forest, Decision Tree) dan deep learning (AttnSleep). Dataset yang digunakan adalah Sleep-EDF-20 dan Sleep-EDF-78 dengan rasio oversampling 1:1, 1:2, dan 1:3. Hasil evaluasi menunjukkan bahwa pada model machine learning, metode SMOTE dengan rasio 1:3 memberikan performa terbaik dalam meningkatkan keseimbangan prediksi. Pada Random Forest dengan dataset Sleep-EDF-20, SMOTE (1:3) meningkatkan Macro F1-Score (MF1) dari 66,51% menjadi 68,19% (+1,68%), Macro-Averaged G-Mean (MGm) dari 76,14% menjadi 79,19% (+3,05%), dengan penurunan akurasi yang minimal dari 77,75% menjadi 77,07% (-0,68%). Hasil serupa terlihat pada model Decision Tree dengan MF1 meningkat dari 63,24% menjadi 65,51% (+2,27%) dan MGm dari 74,06% menjadi 77,84% (+3,78%), dengan penurunan akurasi sebesar 0,90%. Teknik ADASYN (1:3) juga memberikan hasil yang kompetitif, meskipun sedikit di bawah SMOTE (1:3). Sebaliknya, pada model deep learning AttnSleep, penerapan teknik oversampling justru menurunkan performa secara keseluruhan. Pada dataset Sleep-EDF-20, SMOTE (1:3) menurunkan MF1 dari 78,68% menjadi 78,11% dan MGm dari 86,89% menjadi 85,73%, meskipun akurasi sedikit meningkat dari 84,11% menjadi 84,61% (+0,50%). ADASYN (1:3) memberikan pola serupa, dengan MF1 turun menjadi 78,44% dan MGm menjadi 86,23%. Dengan demikian, peningkatan jumlah sampel kelas minoritas yang tidak terlalu agresif, seperti SMOTE (1:3) direkomendasikan untuk meningkatkan keseimbangan prediksi pada model machine learning, sedangkan teknik oversampling tidak efektif pada model deep learning.