<![CDATA[Preprocessing merupakan tahapan penting dalam machine learning karena kualitas data mempengaruhi performa model klasifikasi. Salah satu teknik preprocessing yang sering digunakan adalah feature selection untuk memilih atribut yang relevan dan mengurangi fitur yang kurang berpengaruh terhadap proses klasifikasi. Penelitian ini bertujuan melakukan optimasi seleksi fitur menggunakan metode Sequential Forward Selection (SFS), Sequential Backward Selection (SBS), dan Particle Swarm Optimization (PSO) pada algoritma Random Forest untuk prediksi risiko diabetes tahap awal. Dataset yang digunakan adalah Early Stage Diabetes Risk Prediction Dataset yang ditransformasikan ke bentuk numerik menggunakan Label Encoding. Hasil penelitian menunjukkan bahwa Random Forest tanpa seleksi fitur menghasilkan accuracy sebesar 98.27% dengan 16 fitur, metode SFS menghasilkan accuracy sebesar 98.65% dengan 11 fitur, sedangkan metode SBS memperoleh accuracy tertinggi sebesar 99.23% menggunakan 11 fitur dan PSO memperoleh accuracy sebesar 98.85% menggunakan 11 fitur. Selain meningkatkan accuracy, seleksi fitur juga mampu mengurangi jumlah atribut sehingga proses klasifikasi menjadi lebih efisien.]]>
Copyrights © 2026
