When different classes contain diff

When different classes contain different number of data samples then the dataset is called imbalanced dataset. In such type of dataset, the samples of one class outnumber the data samples of other classes i.e., there is non-uniform or imbalanced distribution of data samples to the classes [5]. In several real world situations, it is very common to obtain data samples in which classes are distribute in non -uniform fashion for example criminal records, fraudulent loan cases and also in the case of genetic data. Such imbalance in data affects the performance of Machine Learning techniques. For example, due to imbalance nature of data, the classifiers become bias towards the class having large number of data samples. Therefore, it is essential to handle class imbalance problem in order to enhance the performance of classifier. In this paper, the class with more data samples is referred as majority class and the class with less number of data samples is termed as minority class. There exist two methods to solve this issue-sampling methods and algorithm adjustment method as discussed below:

Results (Indonesian) 1:

Kapan berbagai kelas berisi jumlah sampel data maka dataset disebut dataset yang seimbang. Dalam jenis seperti dataset, sampel satu kelas melebihi jumlah sampel data kelas-kelas lain yaitu, ada non-seragam atau ketidakseimbangan distribusi data sampel untuk kelas [5]. Dalam beberapa situasi dunia nyata, hal ini sangat umum untuk memperoleh data sampel di mana kelas mendistribusikan di non - seragam fashion untuk contoh catatan kriminal, kasus penipuan pinjaman dan juga dalam kasus data genetik. Ketidakseimbangan yang semacam itu dalam data mempengaruhi kinerja mesin belajar teknik. Misalnya, karena ketidakseimbangan sifat data, kelompok menjadi bias terhadap kelas memiliki sejumlah besar data sampel. Oleh karena itu, sangat penting untuk menangani masalah ketidakseimbangan kelas untuk meningkatkan kinerja classifier. Dalam tulisan ini, kelas dengan data sampel disebut sebagai mayoritas kelas dan kelas dengan kurang jumlah data sampel yang disebut sebagai minoritas kelas. Ada dua metode untuk memecahkan masalah-sampling ini metode dan algoritma penyesuaian metode seperti yang dibahas di bawah ini:

Results (Indonesian) 2:

Ketika kelas yang berbeda mengandung jumlah yang berbeda dari data sampel maka dataset yang disebut dataset seimbang. Dalam jenis seperti dataset, sampel dari satu kelas melebihi sampel data kelas-kelas lain yaitu, ada non-seragam atau distribusi tidak seimbang dari sampel data ke kelas [5]. Dalam beberapa situasi dunia nyata, sangat umum untuk mendapatkan sampel data di mana kelas mendistribusikan di -uniform mode non misalnya catatan kriminal, kasus pinjaman penipuan dan juga dalam hal data genetik. Ketidakseimbangan seperti dalam data mempengaruhi kinerja teknik Machine Learning. Misalnya, karena sifat ketidakseimbangan data, pengklasifikasi menjadi bias terhadap kelas memiliki sejumlah besar sampel data. Oleh karena itu, penting untuk menangani masalah ketidakseimbangan kelas dalam rangka meningkatkan kinerja classifier. Dalam tulisan ini, kelas dengan sampel lebih banyak data disebut sebagai kelas mayoritas dan kelas dengan jumlah kurang dari sampel data yang disebut sebagai kelas minoritas. Ada ada dua metode untuk memecahkan masalah ini metode-sampling dan penyesuaian algoritma metode seperti dibahas di bawah: