Implementasi Metode Wrapper Sequential Feature Selection (WSFS) pada Dataset Stroke Menggunakan Metode Naïve Bayes Multinomial

Abstract

Ada banyak metode di bidang data mining untuk mengolah kumpulan data, salah satunya adalah Naive Bayes. Algoritma Naive Bayes merupakan salah satu algoritma klasifikasi dengan akurasi yang lebih tinggi dibandingkan algoritma pohon keputusan dan jaringan syaraf tiruan. Multinominal Naive Bayes mampu mengurangi kesalahan klasifikasi dokumen rata-rata 27%, sementara itu mencapai 50% dalam pengujian Bernoulli multivariat. Hasil yang dapat dilakukan dengan menggunakan seleksi fitur dengan model Multinomial Naive Bayes untuk akurasi yang lebih baik dibandingkan multivariat Bernoulli. Berdasarkan hasil proses yang dilakukan, metode pemilihan karakteristik dapat meningkatkan pengaruh hasil pengujian terhadap model. Pemilihan Fitur Wrapper memilih fitur mana yang penting untuk objek/label dalam dataset dan dapat memilih fitur yang tidak perlu digunakan dalam proses klasifikasi menggunakan sel naif. Kombinasi menggunakan 6 fungsi dapat memberikan akurasi tertinggi dibandingkan dengan kombinasi lainnya. Akurasi klasifikasi Naive Bayes menggunakan kombinasi enam fitur meningkat menjadi 81,575 dari nilai akurasi algoritma Naive Bayes, i. Berdasarkan hasil percobaan tersebut, kombinasi pemilihan fitur dan metode Naive Bayess menunjukkan kinerja yang lebih baik pada dataset medis, terutama dalam hal hit, presisi, recall dan akurasi. Penelitian ini menguji keefektifan Feature Selection dengan algoritma klasifikasi Naive Bayes. Berdasarkan hasil pengujian eksperimen dan analisis studi yang dilakukan, metode WSFS setelah dilakukan pengujian dengan metode 10-fold cross-validation dapat memberikan rekomendasi untuk meningkatkan kinerja algoritma klasifikasi.

Kata kunci: Feature Selection, Naïve Bayes.