ANALISIS KOMPARATIF TEKNIK OVERSAMPLING TERHADAP PERFORMA XGBOOST DAN LIGHTGBM PADA KLASIFIKASI DATA IMBALANCE MULTI-DATASET

Ketidakseimbangan kelas (class imbalance) merupakan permasalahan mendasar dalam machine learning yang terjadi ketika distribusi kelas dalam dataset tidak proporsional. Kondisi ini menyebabkan model klasifikasi cenderung berpihak pada kelas mayoritas dan mengabaikan kelas minoritas, padahal kelas minoritas justru seringkali lebih penting untuk dideteksi. Permasalahan ini ditemukan secara luas pada berbagai domain kritis, seperti deteksi penipuan keuangan, diagnosis penyakit, dan keamanan siber. Salah satu pendekatan yang paling banyak digunakan untuk mengatasi ketidakseimbangan kelas adalah teknik oversampling berbasis synthetic minority, yang bekerja pada tahap preprocessing sebelum pelatihan model. Meskipun demikian, belum ada konsensus yang jelas mengenai teknik mana yang paling efektif, terutama ketika dikombinasikan dengan algoritma boosting modern yang kini semakin dominan di industri. Penelitian ini melakukan analisis komparatif secara empiris terhadap empat teknik oversampling utama, yaitu SMOTE, ADASYN, Borderline-SMOTE, dan SMOTE-ENN, pada tiga dataset benchmark UCI Machine Learning Repository yang memiliki karakteristik berbeda: Bank Marketing (IR 7,55:1), Glass Identification (IR 15,46:1), dan Musk Version I (IR 1,3:1). Eksperimen dilakukan menggunakan dua algoritma boosting modern, yaitu XGBoost dan LightGBM, dan dievaluasi melalui metrik F1-Score, G-Mean, dan ROC-AUC menggunakan skema 5-fold stratified cross-validation. Hasil penelitian menunjukkan bahwa tidak terdapat satu teknik oversampling yang secara universal unggul pada seluruh dataset. SMOTE-ENN memberikan peningkatan performa paling signifikan pada dataset Bank Marketing (F1-Score 0,6025; G-Mean 0,8161), sedangkan ADASYN secara konsisten unggul pada dataset Glass Identification (F1-Score 0,8333) dan Musk Version I (F1-Score 0,9211) sekaligus menjadi teknik dengan kontribusi paling stabil lintas seluruh kombinasi dataset dan classifier. Teknik oversampling berbasis jarak seperti SMOTE-ENN dan Borderline-SMOTE terbukti rentan terhadap curse of dimensionality pada dataset berdimensi tinggi, sementara kombinasi ADASYN dengan LightGBM menghasilkan performa terbaik secara keseluruhan, melampaui capaian penelitian pembanding (Sutarman dkk., 2024). Penelitian ini turut menghasilkan panduan empiris pemilihan teknik oversampling berdasarkan karakteristik dataset, serta catatan metodologis mengenai pentingnya pelaporan nilai cross-validation pada evaluasi dataset berukuran kecil. Hasil ini memberikan rekomendasi berbasis bukti empiris mengenai teknik oversampling yang paling sesuai untuk karakteristik dataset dengan tingkat ketidakseimbangan yang berbeda, sekaligus menjadi referensi ilmiah bagi peneliti dan praktisi dalam memilih strategi preprocessing yang tepat ketika menggunakan XGBoost dan LightGBM pada data nyata yang tidak seimbang.