UNBALANCED MULTICLASS CLASSIFICATION WITH ADAPTIVE SYNTHETIC MULTINOMIAL NAIVE BAYES APPROACH

Fatkhurokhman Fauzi; . Ismatullah; Indah Manfaati Nur

doi:10.35784/iapgos.3740

PDF (angielski)

Opublikowane: 2023-09-30

DOI: https://doi.org/10.35784/iapgos.3740

Numer Tom 13 Nr 3 (2023)

MODELOWANIE I ANALIZA SKURCZOWEGO I ROZKURCZOWEGO CIŚNIENIA KRWI Z WYKORZYSTANIEM SYGNAŁÓW EKG I PPG
Oleksandr Vasilevskyi, Emanuel Popovici, Volodymyr Sarana

5-10
SEGMENTACJA MAS NOWOTWOROWYCH NA OBRAZACH ULTRASONOGRAFII PIERSI Z UŻYCIEM ZMODYFIKOWANEGO MODELU U-NET
Ihssane Khallassi, My Hachem El Yousfi Alaoui, Abdelilah Jilbab

11-15
KLASYFIKACJA CHOROBY PARKINSONA I INNYCH ZABURZEŃ NEUROLOGICZNYCH Z WYKORZYSTANIEM EKSTRAKCJI CECH GŁOSOWYCH I TECHNIK REDUKCJI
Oumaima Majdoubi, Achraf Benba, Ahmed Hammouch

16-22
ROZWÓJ UKŁADU ZASILANIA I STEROWANIA URZĄDZENIA DO HEMODIALIZY
Volodymyr Yaskiv, Anna Yaskiv

23-28
WALIDACJA TRÓJWYMIAROWEGO FANTOMU GŁOWY DLA DANYCH OBRAZOWYCH
Jolanta Podolszańska

29-32
PRZECIĄŻENIE I ZARZĄDZANIE RUCHEM ŹRÓDEŁ WIADOMOŚCI O RÓŻNYCH PRIORYTETACH USŁUG
Valerii Kozlovskyi, Valerii Kozlovskyi, Andrii Toroshanko, Oleksandr Toroshanko, Natalia Yakumchuk

33-36
BADANIE METOD OPTYMALIZACJI OBLICZEŃ STOSOWANYCH W TWORZENIU GIER KOMPUTEROWYCH
Natali Fedotova, Maksim Procenko, Iryna Baranowa, Switłana Waszczenko, Yaroslava Dehtiarenko

37-42
ANALIZA JAKOŚCI WYDRUKOWANYCH PRÓBEK PLA PRZY UŻYCIU RÓŻNYCH DRUKAREK 3D I PROGRAMÓW DO PRZYGOTOWANIA WYDRUKU
Karolina Tomczyk, Albert Raczkiewicz, Magdalena Paśnikowska-Łukaszuk

43-46
SEGMENTACJA OBRAZÓW WIELOGRADACYJNYCH NA PODSTAWIE CECH ŁĄCZNOŚCI PRZESTRZENNEJ
Leonid Timchenko, Natalia Kokriatskaya, Volodymyr Tverdomed, Oleksandr Stetsenko, Valentina Kaplun, Oleg K. Kolesnytskyj, Oleksandr Reshetnik; Saule Smailova; Ulzhalgas Zhunissova

47-50
IMPLEMENTACJA KOMPUTEROWEGO PRZETWARZANIA DANYCH BADANIA PROCESÓW RELAKSACYJNYCH Z WYKORZYSTANIEM ROZSZERZONEJ FUNKCJI WYKŁADNICZEJ
Andrey Lozovskyi, Alexander Lyashkov, Igor Gomilko, Alexander Tonkoshkur

51-55
ANALIZA KOLIZJI W RUCHU MIEJSKIM Z WYKORZYSTANIEM TECHNIK GŁĘBOKIEGO UCZENIA
Mummaneni Sobhana, Nihitha Vemulapalli, Gnana Siva Sai Venkatesh Mendu, Naga Deepika Ginjupalli, Pragathi Dodda, Rayanoothala Bala Venkata Subramanyam

56-63
NIEZRÓWNOWAŻONA KLASYFIKACJA WIELOKLASOWA Z ADAPTACYJNYM SYNTETYCZNYM WIELOMIANOWYM NAIWNYM PODEJŚCIEM BAYESA
Fatkhurokhman Fauzi, . Ismatullah, Indah Manfaati Nur

64-70
PORÓWNANIE SKUTECZNOŚCI METOD ANALIZY SZEREGÓW CZASOWYCH: SMA, WMA, EMA, EWMA I FILTR KALMANA DO ANALIZY DANYCH
Volodymyr Lotysh, Larysa Gumeniuk, Pavlo Humeniuk

71-74
STRATEGIA ZARZĄDZANIA ENERGIĄ SAMODZIELNEJ MIKROSIECI DC Z WYKORZYSTANIEM STANU NAŁADOWANIA BATERII
Elvin Yusubov, Lala Bekirova

75-78
MAKROMODELOWANIE PROGNOZOWANIA BILANSU LOKALNEGO SYSTEMU ELEKTROENERGETYCZNEGO Z WYKORZYSTANIEM FRAKTALNYCH WŁAŚCIWOŚCI PLANÓW OBCIĄŻENIA I GENERACJI
Daniyar Jarykbassov, Petr Lezhniuk, Iryna Hunko, Vladyslav Lysyi, Lyubov Dobrovolska

79-82
CHŁODZENIE PANELI FOTOWOLTAICZNYCH Z WYKORZYSTANIEM EFEKTU STOSU
Kudith Nageswara Rao, Ganesamoorthy Rajkuma

83-85
NOWY, AUTOMATYCZNY SYSTEM KONTROLI OBCIĄŻENIA SŁONECZNEGO OPARTY NA SZTUCZNEJ INTELIGENCJI
Kudith Nageswara Rao, Ganesamoorthy Rajkuma

86-89
OPTYMALIZACJA PARAMETRÓW PROCESU CIĘCIA CZĘŚCI PRACUJĄCYCH W WARUNKACH OBCIĄŻEŃ CYKLICZNYCH
Kateryna Barandych, Sergii Vysloukh, Grygoriy Tymchyk, Oleksandr Murashchenko, Saule Smailova, Saule Kumargazhanova

90-93
BADANIE WPŁYWU UŁAMKOWEJ LICZBY SZCZELIN BIEGUNÓW NA GENERACJĘ TURBINY WIATROWEJ PRZY UŻYCIU ULEPSZONEGO ALGORYTMU OPTYMALIZACJI CĘTKOWANEJ HIENY
Ibrahim M. Aladwan, Hasan Abdelrazzaq AL Dabbas, Ayman. M. Maqableh, Sayel M. Fayyad, Oleksandr Miroshnyk, Taras Shchur, Vadym Ptashnyk

94-100
NOWY MODEL ODBICIA ŚWIATŁA OD POWIERZCHNI WYKORZYSTUJĄCY KOMBINACJĘ DWÓCH FUNKCJI SZEŚCIENNYCH
Oleksandr Romanyuk, Yevhen Zavalniuk, Sergii Pavlov, Roman Chekhmestruk, Bondarenko Bondarenko, Tetiana Koval, Aliya Kalizhanova, Aigul Iskakova

101-106
KONCEPCJA ELEKTRONICZNEJ JEDNOSTKI STERUJĄCEJ SILNIKA SPALINOWEGO W ZESPOLE HYBRYDOWYM
Tomasz Zyska, Marcin Powązka, Bartłomiej Forysiuk

107-110
PRZEŁĄCZNIK TESLI DLA 4 AKUMULATORÓW OPARTY NA MODULE ARDUINO UNO
Mykola Polishchuk, Serhii Grinyuk, Serhii Kostiuchko, Anatolii Tkachuk, Pavlo Savaryn

111-116
ALGORYTM ZDALNEJ AKTUALIZACJI OPROGRAMOWANIA W BEZPRZEWODOWYCH SENSORACH NB-IOT – IMPLEMENTACJA I REZULTATY
Piotr Szydłowski, Karol Zaręba

117-120
ROZWÓJ OPROGRAMOWANIA DO PRZEWIDYWANIA OCEN PRACOWNIKÓW
Gulnar Balakayeva, Dauren Darkenbayev, Mukhit Zhanuzakov

121-124
INŻYNIERYJNO-TECHNICZNA OCENA KONKURENCYJNOŚCI UKRAIŃSKICH PRZEDSIĘBIORSTW BUDOWY MASZYN NA PODSTAWIE ZASTOSOWANIA MODELI REGRESJI
Anna Vitiuk, Leonid Polishchuk, Nataliia B. Savina, Oksana O. Adler, Gulzhan Kashaganova, Saule Kumargazhanova

125-128

Archiwum

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Fatkhurokhman Fauzi

fatkhurokhmanf@unimus.ac.id

Universitas Muhammadiyah Semarang, Department of Statistics

https://orcid.org/0000-0002-8277-8638 ##orcid.unauthenticated##

. Ismatullah

ismatullahp17@gmail.com

Universitas Muhammadiyah Semarang, Department of Statistics

http://orcid.org/0009-0005-7472-1761 ##orcid.unauthenticated##

Indah Manfaati Nur

indahmnur@unimus.ac.id

Universitas Muhammadiyah Semarang, Department of Statistics

http://orcid.org/0000-0002-1017-7323 ##orcid.unauthenticated##

Abstrakt

Należy przyjrzeć się i przeanalizować opinie związane z rosnącymi cenami paliw. Opinia publiczna jest ściśle związana z polityką publiczną Indonezji w przyszłości. Twitter jest jednym z mediów, których ludzie używają do przekazywania swoich opinii. Niniejsze badanie wykorzystuje analizę nastrojów, aby przyjrzeć się temu zjawisku. Opinia jest podzielona na trzy kategorie: pozytywną, neutralną i negatywną. Metody wykorzystane w tym badaniu to Adaptive Synthetic Multinomial Naive Bayes, Adaptive Synthetic k-nearest neighbours i Adaptive Synthetic Random Forest. Metoda Adaptive Synthetic służy do obsługi niezrównoważonych danych. Dane wykorzystane w tym badaniu to argumenty publiczne według prowincji w Indonezji. Wyniki uzyskane w tym badaniu to negatywne nastroje, które dominują we wszystkich prowincjach Indonezji. Istnieje związek między negatywnymi nastrojami a poziomem wykształcenia, korzystaniem z Internetu i wskaźnikiem rozwoju społecznego. Adaptive Synthetic Multinomial Naive Bayes działała lepiej niż inne metody, z dokładnością 0,882. Najwyższa dokładność metody Adaptive Synthetic Multinomial Naive Bayes wynosi 0,990 w prowincji Papua Barat.

Słowa kluczowe:

adaptacyjna synteza, klasyfikacja, dane dotyczące nierównowagi, dokładność

Bibliografia

Ahuja R. et al.: The Impact of Features Extraction on the Sentiment Analysis. Procedia Computer Science 152, 2019, 341–348 [http://doi.org/10.1016/j.procs.2019.05.008].

Ali H. et al.: Deep Learning-Based Election Results Prediction Using Twitter Activity. Soft Computing 26(16), 2022, 7535–43 [http://doi.org/10.1007/s00500-021-06569-5].

Amity U. et al.: Abstract Proceedings of International Conference on Automation, Computational and Technology Management (ICACTM-2019), 2019.

Andrian R. et al.: K-Nearest Neighbor (k-NN) Classification for Recognition of the Batik Lampung Motifs. Journal of Physics: Conference Series 1338(1), 2019 [http://doi.org/10.1088/1742-6596/1338/1/012061].

Asian J. et al.: Sentiment Analysis for the Brazilian Anesthesiologist Using Multi-Layer Perceptron Classifier and Random Forest Methods. Journal Online Informatika 7(1), 2022, 132 [http://doi.org/10.15575/join.v7i1.900].

Balaram A., Vasundra S.: Prediction of Software Fault-Prone Classes Using Ensemble Random Forest with Adaptive Synthetic Sampling Algorithm. Automated Software Engineering 29(1), 2021, 6 [http://doi.org/10.1007/s10515-021-00311-z].

Budiawan Zulfikar W. et al.: Sentiment Analysis on Social Media Against Public Policy Using Multinomial Naive Bayes. Scientific Journal of Informatics 10(1), 2023 [http://doi.org/10.15294/sji.v10i1.39952].

Bustillos A. et al.: Approaching Dehumanizing Interactions: Joint Consideration of Other-, Meta-, and Self-Dehumanization. Current Opinion in Behavioral Sciences 49, 2023, 101233 [http://doi.org/10.1016/j.cobeha.2022.101233].

Eberwein T.: ‘Trolls’ or ‘Warriors of Faith’?: Differentiating Dysfunctional Forms of Media Criticism in Online Comments. Journal of Information, Communication and Ethics in Society 18(1), 2020, 131–143 [http://doi.org/10.1108/JICES-08-2019-0090].

Farisi A. A. et al.: Sentiment Analysis on Hotel Reviews Using Multinomial Naive Bayes Classifier. Journal of Physics: Conference Series 1192(1), 2019 [http://doi.org/10.1088/1742-6596/1192/1/012024].

Gazali Mahmud F. et al.: Implementation Of K-Nearest Neighbor Algorithm With SMOTE For Hotel Reviews Sentiment Analysis. Sinkron: Jurnal Dan Penelitian Teknik Informatika 8(2), 2023, 595–602 [http://doi.org/10.33395/sinkron.v8i2.12214].

Ghosh D., Cabrera J.: Enriched Random Forest for High Dimensional Genomic Data. IEEE/ACM Transactions on Computational Biology and Bioinformatics 19(5), 2022, 2817–2828 [http://doi.org/10.1109/TCBB.2021.3089417].

Hasdyna N. et al.: Improving the Performance of K-Nearest Neighbor Algorithm by Reducing the Attributes of Dataset Using Gain Ratio. Journal of Physics: Conference Series 1566(1), 2020 [http://doi.org/10.1088/1742-6596/1566/1/012090].

He H. et al.: ADASYN: Adaptive Synthetic Sampling Approach for Imbalanced Learning. IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), 2008, 1322–1328 [http://doi.org/10.1109/IJCNN.2008.4633969].

Herhianto A.: Sentiment Analysis Menggunakan Naive Bayes Classifier (Nbc) Pada Tweet Tentang Zakat. 2020.

Hossain E. et al.: Sentiment Polarity Detection on Bengali Book Reviews Using Multinomial Naive Bayes. Progress in Advanced Computing and Intelligent Engineering (ed.Chhabi Rani Panigrahi et al.), Springer Singapore, 2021, 281–292.

Hu Z. et al.: A Novel Wireless Network Intrusion Detection Method Based on Adaptive Synthetic Sampling and an Improved Convolutional Neural Network. IEEE Access 8, 2020, 195741–195751 [http://doi.org/10.1109/ACCESS.2020.3034015].

Jalilifard A. et al.: Semantic Sensitive TF-IDF to Determine Word Relevance in Documents, 2020 [http://doi.org/10.1007/978-981-33-6977-1].

Jiang C. et al.: Benchmarking State-of-the-Art Imbalanced Data Learning Approaches for Credit Scoring. Expert Systems with Applications 213, 2023, 118878 [http://doi.org/10.1016/j.eswa.2022.118878].

Koh J. E. W. et al: Automated Classification of Attention Deficit Hyperactivity Disorder and Conduct Disorder Using Entropy Features with ECG Signals. Computers in Biology and Medicine 140, 2022, 105120 [http://doi.org/10.1016/j.compbiomed.2021.105120].

Kurniasih A., Lindung P. M.: On the Role of Text Preprocessing in BERT Embedding-Based DNNs for Classifying Informal Texts. International Journal of Advanced Computer Science and Applications 13(6), 2022, 927–934 [http://doi.org/10.14569/IJACSA.2022.01306109].

Kurniawati Y. E. et al.: Adaptive Synthetic-Nominal (ADASYN-N) and Adaptive Synthetic-KNN (ADASYN-KNN) for Multiclass Imbalance Learning on Laboratory Test Data. 2018 4th International Conference on Science and Technology (ICST), 2018, 1–6 [http://doi.org/10.1109/ICSTC.2018.8528679].

Leelawat N. et al.: Twitter Data Sentiment Analysis of Tourism in Thailand during the COVID-19 Pandemic Using Machine Learning. Heliyon 8(10), 2022, e10894 [http://doi.org/10.1016/j.heliyon.2022.e10894].

Liu J. et al.: A Fast Network Intrusion Detection System Using Adaptive Synthetic Oversampling and LightGBM. Computers & Security 106, 2021, 102289 [http://doi.org/10.1016/j.cose.2021.102289].

Liu Y., Wu H.: Prediction of Road Traffic Congestion Based on Random Forest. 2017 10th International Symposium on Computational Intelligence and Design (ISCID) 2, 2017, 361–364 [http://doi.org/10.1109/ISCID.2017.216].

Lytvyn V. et al.: Identifying Textual Content Based on Thematic Analysis of Similar Texts in Big Data. 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT) 2, 2019, 84–91 [http://doi.org/10.1109/STC-CSIT.2019.8929808].

Mayo M.: A General Approach to Preprocessing Text Data, 2017.

Moosavian A. et al.: Comparison of Two Classifiers; K-Nearest Neighbor and Artificial Neural Network, for Fault Diagnosis on a Main Engine Journal-Bearing. Shock and Vibration 20(2), 2013, 263–272 [http://doi.org/10.3233/SAV-2012-00742].

Nadhifah D. et al.: Analysis of the Impact of the Increase in Fuel Oil (BBM) on Household Economic Activities. Journal of Contemporary Gender and Child Studies (JCGCS) 1(1), 2022 [https://zia-research.com/index.php/jcgcs].

Nazrul Syed S.: Multinomial Naive Bayes Classifier for Text Analysis (Python). Towards Data Science, 2018.

Patel A. et al.: Sentiment Analysis of Customer Feedback and Reviews for Airline Services Using Language Representation Model. Procedia Computer Science 218, 2023, 2459–2467 [http://doi.org/10.1016/j.procs.2023.01.221].

Rahman R. et al.: Sentiment Analysis on Bengali Movie Reviews Using Multinomial Naive Bayes. 2021 24th International Conference on Computer and Information Technology (ICCIT), 2021, 1–6 [http://doi.org/10.1109/ICCIT54785.2021.9689787].

Rennie J. D. M. et al.: Tackling the Poor Assumptions of Naive Bayes Text Classifiers, 2003.

Ridho Lubis A. et al.: The Effect of the TF-IDF Algorithm in Times Series in Forecasting Word on Social Media. Indonesian Journal of Electrical Engineering and Computer Science 22(2), 2021, 976 [http://doi.org/10.11591/ijeecs.v22.i2.pp976-984].

Sahib N. G. et al.: Sentiment Analysis of Social Media Comments in Mauritius. IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), 2023, 860–865 [http://doi.org/10.1109/CCWC57344.2023.10099291].

Salauddin Khan M. et al.: Comparison of Multiclass Classification Techniques Using Dry Bean Dataset. International Journal of Cognitive Computing in Engineering 4, 2023, 6–20 [http://doi.org/10.1016/j.ijcce.2023.01.002].

Solikah M., Dian N.: The Effectiveness of the Guided Inquiries Learning Model on the Critical Thinking Ability of Students. Jurnal Pijar Mipa 17(2), 2022, 184–191 [http://doi.org/10.29303/jpm.v17i2.3276].

Surya P. P. et al.: Analysis of User Emotions and Opinion Using Multinomial Naive Bayes Classifier. 2019 3rd International Conference on Electronics, Communication and Aerospace Technology (ICECA), 2019, 410–415 [http://doi.org/10.1109/ICECA.2019.8822096].

Yang J. et al.: Delineation of Urban Growth Boundaries Using a Patch-Based Cellular Automata Model under Multiple Spatial and Socio-Economic Scenarios. Sustainability (Switzerland) 11(21), 2019 [http://doi.org/10.3390/su11216159].

Yu B. et al.: Classification Method for Failure Modes of RC Columns Based on Class-Imbalanced Datasets. Structures 48, 2023, 694–705 [http://doi.org/10.1016/j.istruc.2022.12.063].

Zamsuri A. et al.: Classification of Multiple Emotions in Indonesian Text Using The K-Nearest Neighbor Method. Journal of Applied Engineering and Technological Science (JAETS) 4(2), 2023, 1012–1021 [http://doi.org/10.37385/jaets.v4i2.1964].

Zhai J. et al.: Binary Imbalanced Data Classification Based on Diversity Oversampling by Generative Models. Information Sciences 585, 2022, 313–43 [http://doi.org/10.1016/j.ins.2021.11.058].

NIEZRÓWNOWAŻONA KLASYFIKACJA WIELOKLASOWA Z ADAPTACYJNYM SYNTETYCZNYM WIELOMIANOWYM NAIWNYM PODEJŚCIEM BAYESA. (2023). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(3), 64-70. https://doi.org/10.35784/iapgos.3740

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 3 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja