Font Size: 

Pada penelitian ini dilakukan untuk menangani ketidakseimbangan kelas terhadap kelas minoritas menggunakan teknik oversampling data, yaitu Synthetic Minority Oversampling Technique (SMOTE). Makalah ini menawarkan model klasifikasi menggunakan algoritma Gradient Boosting Classifier dengan kombinasi teknik resampling SMOTE. Implementasi metode SMOTE untuk menangani kelas yang tidak seimbang dapat memberikan pengaruh terhadap nilai akurasi model. Terdapat 155 data klinis pasien hepatitis dengan 20 fitur relevan yang berasal dari situs UCI Machine Learning Repository untuk diklasifikasikan menggunakan algortima Gradient Boosting Classifier. Hasil penelitian ini akan dibandingkan dengan hasil klasifikasi tanpa proses resampling data. Pelatihan awal pada dataset normal (tanpa proses resampling SMOTE), menghasilkan akurasi sebesar 0,86%. Setelah dilakukan resampling data menggunakan SMOTE dengn 10-fold cross – validation, hasil akurasi model meningkat menjadi 0.90%. Dengan hasil akurasi tersebut menunjukkan bahwa model dapat menjadi bahan pertimbangan dan pengambilan keputusan dalam mengklasifikasikan penyakit pada pasien penderita hepatitis.