Analisis dan Implementasi Metode Cat Swarm Optimization pada Feature Selection untuk k-Nearest Neighbour Classifier

Romy Husodo

Informasi Umum

Kode

113070259

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

12 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Pada dunia nyata, banyak terdapat data yang bersifat high-dimensional yang menjadi tantangan sendiri dalam data mining. Untuk mengatasi masalah persebaran data dalam set data yang besar tersebut perlu dilakukan feature selection. Feature Selection sendiri bertujuan untu mengurangi jumlah fitur dalam data dengan cara menghapus fitur-fitur data yang irrelevant dan redundant, sehingga dapat memperbaiki akurasi learning pada proses data mining, serta dapat menemukan model yang lebih baik. Tugas akhir ini mengimplementasikan suatu metode feature selection dengan menggunakan metode cat swarm optimization. Penggunaan strategi exhaustive search untuk proses feature selection membutuhkan biaya komputasi dan waktu yang sangat tinggi, untuk itulah pada tugas akhir ini digunakan metode pencarian optimisasi, yaitu menggunakan cat swarm optimization. Pengujian yang dilakukan untuk melihat kualitas dari system adalah menggunakan misclassification rate pada klasifikasi subset fitur yang dihasilkan. Berdasarkan pengujian yang sudah dilakukan, hasil akurasi subset fitur hasil feature selection dengan menggunakan cat swarm optimization menghasilkan peningkatan akurasi klasifikasi yang cukup baik.Kata Kunci : data mining, feature selection, cat swarm optimization, misclassification rateABSTRACT: In the real world, most of the data are high dimensional which become a challenge in data mining. To overcome those problem, we need to do a process called feature selection. Feature Selection intends to reduce the number of feature by removing some features that are considered to be irrelevant or redundant in hopes to increase learning accuration in data mining process, also feature selection can increase the chance in classification to find a better model. This final project implements cat swarm optimization, one of many swarm optimization method, to be used in feature selection. The use of exhaustive search in feature selection process are tend to cause a problem in how big the computational cost that are needed in doing so, that is why this final project is using optimization search method, which is cat swarm optimization. In evaluating quality of the system, misclassification rate is used on feature subset which are the result of feature selection process using cat swarm optimizatiom. According to the evaluation it is proven that feature selection process using cat swarm optimization can cause the increase on the classification accuration.Keyword: data mining, feature selection, cat swarm optimization, misclassification rate