Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Data besar tidak hanya dilihat dari jumlah sampelnya tetapi juga dapat dilihat dari berapa banyak ciri yang tersimpan di setiap sampel tersebut. Seleksi ciri yang paling representatif adalah tugas penting pada data besar untuk mengurangi dimensi. Metode seleksi ciri dapat menjadi solusi untuk mengatasi masalah ini. Pada penelitian ini diterapkan metode penggabungan seleksi ciri yang terdistribusi secara homogen dengan partisi 2-dimensi untuk memperbaiki algoritme klasifikasi. Dari hasil eksperimen yang telah dilakukan dapat ditarik kesimpulan metode yang dirancang mampu memperbaiki kinerja metode klasifikasi untuk setiap dataset yang digunakan. Metode yang diusulkan menggunakan partisi 2-dimensi yang dapat mempercepat proses latih sekaligus memperbaiki kinerja akurasi. 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 how many 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 feature selection method can be a solution to overcome this problem. In this research, a homogeneous distributed ensemble feature selection method with 2-dimensional partition is used as the feature selection. The results showed that the proposed method can speed up the training process in addition to improving the classification accuracy. The proposed method 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 almost two times faster.