Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Evaluasi Seleksi Fitur Menggunakan Wrapper untuk Dataset Numerik dengan Algoritma Random Forest

Rektorat UDINUS 2021 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2021
Tujuan
Nomor
f1202324-e9df-47ab-9a48-30e9ea622a64
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan penelitian mengenai seleksi fitur menggunakan metode wrapper pada dataset numerik yang digunakan untuk prediksi awal diabetes. Kegiatan ini melibatkan peneliti UDINUS Nugroho, Arie; Fanani, Ahmad Zainul; dan Shidik, Guruh Fajar. Penelitian ini membahas preprocessing dalam pembelajaran mesin, khususnya pengurangan dimensi melalui seleksi fitur. Tujuan yang dinyatakan adalah mengidentifikasi fitur yang relevan dan menghilangkan fitur yang tidak relevan dari dataset yang sebelumnya telah ditransformasikan menjadi dataset numerik.

Kegiatan ini menerapkan seleksi forward dan backward dalam metode wrapper. Kedua pendekatan seleksi tersebut dikombinasikan dengan algoritma random forest dan cross validation. Random forest dijelaskan sebagai pengembangan dari decision tree, yang terdiri atas kelompok pohon yang dapat menghasilkan hasil yang sama atau berbeda, dengan hasil yang paling banyak digunakan sebagai hasil akhir. Penelitian ini menilai hasil seleksi fitur terhadap pemrosesan tanpa seleksi fitur pada dataset numerik.

Temuan yang dilaporkan menunjukkan bahwa seleksi fitur berbasis wrapper menghasilkan akurasi yang lebih tinggi daripada pemrosesan tanpa seleksi fitur dan mengurangi jumlah fitur. Sequential forward selection menghasilkan akurasi 98,84% dengan 11 fitur terpilih. Sequential backward selection menghasilkan akurasi 99,03% dengan jumlah fitur terpilih yang sama. Pengurangan fitur juga dilaporkan mengurangi kompleksitas pohon dan waktu yang diperlukan dalam proses mining.

Kegiatan ini memiliki konteks penelitian terkait kesehatan karena menggunakan dataset prediksi awal diabetes. Kegiatan ini juga membahas relevansi fitur, pemrosesan prediktif, dan pengurangan dimensi melalui penerapan seleksi wrapper, random forest, dan cross validation. Dengan demikian, kegiatan ini merupakan penelitian institusional UDINUS mengenai metode pemrosesan dataset numerik yang berkaitan dengan prediksi awal diabetes.

Rujukan https://www.scopus.com/pages/publications/85118929554?origin=resultslist