ABSTRAK
Data besar tidak hanya dilihat dari jumlah sampelnya tetapi juga dapat dilihat dari berapabanyak ciri yang tersimpan di setiap sampel tersebut. Seleksi ciri yang paling representatifadalah tugas penting pada data besar untuk mengurangi dimensi. Metode seleksi ciridapat menjadi solusi untuk mengatasi masalah ini. Pada penelitian ini diterapkan metodepenggabungan seleksi ciri yang terdistribusi secara homogen dengan partisi 2-dimensiuntuk memperbaiki algoritme klasifikasi. Dari hasil eksperimen yang telah dilakukandapat ditarik kesimpulan metode yang dirancang mampu memperbaiki kinerja metodeklasifikasi untuk setiap dataset yang digunakan. Metode yang diusulkan menggunakanpartisi 2-dimensi yang dapat mempercepat proses latih sekaligus memperbaiki kinerjaakurasi. Metode yang diusulkan dapat memperbaiki metode sebelumnya rata-rata 2%untuk dibeberapa dataset dan mempercepat proses hampir 2 kalinya.

---

ABSTRACT
Big data is not only seen from the number of its samples but can also be seen from howmany features were stored in each sample. The selection of the most representative feature is an important task in big data analysis in order to reduce the dimension. The featureselection method can be a solution to overcome this problem. In this research, a homogeneous distributed ensemble feature selection method with 2-dimensional partition isused as the feature selection. The results showed that the proposed method can speed upthe training process in addition to improving the classification accuracy. The proposedmethod can improve the accuracy from the standard feature selection method with an increase of 2% for several datasets. In addition, it also speeds up the computation to almosttwo times faster.