Seleksi Fitur Menggunakan Metode Hybrid Particle Swarm Optimization dengan Operasi Local Seacrh (HPSO-LS) untuk Klasifikasi Data

Shailendra, Dimas Yoan (2017) Seleksi Fitur Menggunakan Metode Hybrid Particle Swarm Optimization dengan Operasi Local Seacrh (HPSO-LS) untuk Klasifikasi Data. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5112100162-Undergraduate_Theses.pdf - Published Version

Download (1MB) | Preview

Abstract

Seleksi fitur adalah suatu proses untuk memilih fitur penting dalam suatu dataset dengan mengurangi fitur-fitur yang redundant. Tujuan dari tugas akhir ini adalah untuk menerapkan algoritma hybrid particle swarm optimization dengan operasi local search (HPSO-LS) dalam melakukan seleksi fitur. Metode HPSO-LS menggunakan operasi local search yang ditanamkan pada algoritma particle swarm optimization (PSO) untuk memilih fitur yang tidak berkorelasi satu sama lain. Operasi local search didasarkan pada nilai korelasi antar fitur. Semakin kecil nilai korelasi fitur, semakin besar kemungkinan fitur dipilih. Dataset yang digunakan untuk melakukan uji coba sebanyak 3 macam yaitu data glass, wine dan heart. Uji coba dilakukan dengan menerapkan algoritma HPSO-LS dan juga algoritma PSO untuk melakukan seleksi fitur. Hal tersebut dilakukan untuk menganalisa perbandingan hasil seleksi fitur menggunakan algortima HPSO-LS dengan algoritma PSO. Hasil uji coba menunjukkan bahwa, akurasi klasifikasi data dipengaruhi dengan jumlah fitur yang digunakan dan kombinasi fitur-fitur tersebut. Klasifikasi data k-NN dengan menggunakan kombinasi fitur-fitur yang memiliki korelasi yang rendah, lebih besar akurasinya jika dibandingkan dengan fitur-fitur dengan korelasi tinggi. Hasil uji coba juga menunjukkan bahwa menggunakan fitur terseleksi hasil seleksi fitur HPSO-LS dapat meningkatkan akurasi klasifikasi data k-NN jika dibandingkan dengan menggunakan fitur keseluruhan. Akurasi meningkat sebesar 2,33% pada dataset glass, 4,49% pada dataset wine dan 6,29% pada dataset heart. ================================================================= Feature selection is a process for selecting important features in a dataset by reducing redundant features. The purpose of this final project is to apply hybrid particle swarm optimization algorithm with local search (HPSO-LS) operation for feature selection. The HPSO-LS method uses a local search process embedded in the particle swarm optimization (PSO) algorithm to select features that do not correlate with each other. The local search process is based on correlation values between features. The smaller the value of the correlation the more likely the feature is selected. There are 3 datasets that being used on this experiment which is glass, wine and heart. Experiment were performed by applying the HPSO-LS algorithm and the PSO algorithm to perform feature selection. The purpose of that two algorithm are performed, is to analyze the comparison of feature selection result using HPSO-LS and PSO. The experimental results show that the accuracy of data classification is influenced by the number of used features and the combination of the features. K-NN classification by using a combination of features that have low correlation, will have greater accuracy compared with feature that have high correlation. The result also show that using selected feature of HPSO-LS feature selection can improve the accuracy of k-NN classification compared to using overall feature. An accuracy of 2.33% increase in glass dataset, 4.49% in wine dataset and 6.29% in heart dataset.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 006.312 Sha s
Uncontrolled Keywords: Feature Selection, Particle Swarm Optimization, Correlation Information, Local search, k-Nearest Neighbor
Subjects: T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Dimas Yoan Shailendra
Date Deposited: 06 Nov 2017 03:57
Last Modified: 05 Mar 2019 06:06
URI: http://repository.its.ac.id/id/eprint/42814

Actions (login required)

View Item View Item