Klasifikasi Wisconsin Diagnostic Breast Cancer Data dengan Menggunakan Sequential Feature Selection dan Possibilistic C-Means
Abstract: Pada masalah
klasifikasi yang melibatkan data berdimensi tinggi, metode pengurangan dimensi
data menjadi salah satu hal penting. Hal ini diakibatkan adanya masalah curse
of dimensionality yang mengimplikasikan bahwa dimensi data secara signifikan
berpengaruh terhadap kompleksitas waktu maupun ruang dari tahapan pemrosesan
data. Salah satu metode pengurangan dimensi adalah metode seleksi fitur
(feature selection). Secara umum, metode seleksi fitur dapat dikategorikan
menjadi tiga jenis, yaitu filter based method, wrapped based, dan embedded
method. Metode pemilihan fitur sekuensial merupakan salah satu algoritma
seleksi fitur yang klasik berbasiskan metode filter. Selain daripada metode
pengurangan dimensi yang digunakan, metode klasifikasi itu sendiri merupakan
kunci penting dalam suksesnya pemecahan masalah klasifikasi. Salah satu metode
klasifikasi berbasiskan metode fuzzy yang umum digunakan adalah metode Fuzzy
CMeans. Metode ini memiliki kekurangan dalam hal adanya kemungkinan nilai
keanggotaan yang dihasilkan tidak merepresentasikan secara akurat nilai
kemungkinan suatu data berada di suatu kelas tertentu. Kekurangan ini dapat
diatasi dengan metode Possibilistic C-Means. Dalam makalah ini,
metode klasifikasi Possibilistic C-Means dan metode pengurangan dimensi
melalui seleksi fitur dengan menggunakan metode pemilihan fitur sekuensial akan
digunakan untuk memecahkan masalah klasifikasi data Wisconsin Diagnostic Breast
Cancer.
Penulis: Aini Suri Talita
Kode Jurnal: jptkomputerdd160279
