Detail Cantuman

Dataset berdimensi tinggi dapat menyebabkan terjadinya kinerja kurang optimal, overfitting dan komputasi yang mahal ketika dilakukan proses pembentukan model. Untuk mengatasi masalah tersebut, penelitian ini akan menggunakan teknik pengurangan dimensi yaitu teknik seleksi fitur. Metode seleksi fitur yang digunakan meliputi Chi-Square, Information Gain, Algoritma Genetika, Particle SwarmOptimization (PSO) dan Least Absolute Shrinkage and Selection Operator (LASSO) dengan algoritma klasifikasi Naive Bayes, XGBoost, dan Random Forest. Tujuan penelitian ini adalah mengevaluasi efektivitas dan efisiensi dari kombinasi seleksi fitur dan algoritma klasifikasi yang telah dipilih, serta mengetahui kinerja dari fitur-fitur yang sering muncul pada tiap kategori seleksi fitur dengan metode
evaluasi yang digunakan adalah K-Fold Cross Validation (K=10). Setelah dilakukan pengujian pada pelatihan model, didapatkan bahwa seleksi fitur dapat meningkatkan kinerja model klasifikasi dari sisi akurasi, presisi, recall, f1-score,
AUC dan training time. Namun, didapatkan seleksi fitur yang paling baik secara keseluruhan yaitu Chi-Square dan Information Gain pada Kategori Filter, dikarenakan pada seleksi fitur tersebut didapatkan bahwa kinerja dari metode
klasifikasi yang digunakan meningkat dibandingan dengan seleksi fitur lainnya maupun tanpa seleksi fitur. Berdasarkan hasil yang didapatkan, penggunaan fitur dari hasil proses Chi-Square dan Information Gain dengan model Extreme Gradient Boosting (XGBoost) dengan 8 fitur yaitu Thall, Cp, Caa, Exng, Slp, Oldpeak, Sex dan Restecg mendapatkan nilai akurasi tertinggi sebesar 0.861, presisi 0.838, recall 0.927, f1-score 0.877 dan AUC 0.923 (Excellent Classification) dengan training time 0.1539175s. Model tersebut berpengaruh terhadap proses pelatihan karena dapat meningkatkan akurasi sebesar 1,7%, presisi sebesar 1%, recall sebesar 2,3%, f1-score sebesar 1,6%, AUC sebesar 0,2% dan mengurangi training time selama 0.0476663s dan secara nilai confusion dapat disimpulkan hasil model tersebut sebagai model terbaik. Kata kunci: Machine Learning, Seleksi Fitur, Filter, Wrapper, Embedded
Selector, Klasifikasi.