In this study, we adopted CART algo

In this study, we adopted CART algorithms with a feature selection algorithm in order to handle a small and unbalanced dataset. We compared the performance of the proposed method with a standard data-level-based method to deal with imbalance that is the oversampling technique. We preferred a data-level solution as the benchmark since the algorithmic level solutions require the probability and the misclassification cost of the class that are difficult to estimate particularly in this case, as the rare class is also the milder one.

Hasil (Bahasa Indonesia) 1:

Dalam studi ini, kami mengadopsi algoritma keranjang dengan fitur pilihan algoritma untuk menangani dataset kecil dan tidak seimbang. Kami membandingkan kinerja metoda yang diusulkan dengan tingkat data berbasis metode standar untuk berurusan dengan ketidakseimbangan yang ada teknik oversampling. Kami lebih suka solusi data tingkat sebagai patokan karena tingkat solusi algoritmik memerlukan probabilitas dan biaya misclassification kelas yang sulit untuk memperkirakan terutama dalam hal ini, sebagai kelas langka juga yang lebih ringan.

Hasil (Bahasa Indonesia) 2:

Dalam studi ini, kami mengadopsi algoritma CART dengan algoritma seleksi fitur untuk menangani dataset kecil dan seimbang. Kami membandingkan kinerja dari metode yang diusulkan dengan metode berbasis data tingkat standar untuk menangani ketidakseimbangan yang teknik oversampling. Kami lebih suka solusi data tingkat sebagai patokan sejak solusi tingkat algoritmik memerlukan probabilitas dan biaya kesalahan klasifikasi kelas yang sulit untuk memperkirakan khususnya dalam hal ini, sebagai kelas yang jarang juga yang lebih ringan.