Optimasi Parameter pada Fast Correlation Based Filter untuk Reduksi Dimensi Menggunakan Algoritme Genetika

Abstract

Metagenome merupakan mikroorganisme yang diambil secara langsung dari alam. Proses sequencing genom dari metagenome mengakibatkan bercampurnya berbagai organisme. Hal ini menyebabkan kesulitan pada proses perakitan. Oleh karena itu, dibutuhkan proses pemilahan yang disebut binning. Proses binning dengan pendekatan komposisi dilakukan dengan supervised learning. Metode supervised learning memiliki tahapan ekstraksi fitur, penelitian ini menggunakan metode ektraksi fitur k-mers. Besarnya parameter k pada metode ekstraksi fitur mengakibatkan dimensi yang besar. Penelitian ini bertujuan untuk menerapkan algorime fast-correlation based filter untuk mereduksi dimensi fitur yang dihasilkan k-mers dan mengoptimasi parameter threshold pada fast-correlation based filter menggunakan algoritme genetika. Penelitian ini diuji menggunakan klasifikasi k-nearest neighbour sehingga menghasilkan akurasi terbaik diperoleh ketika k = 7 dengan akurasi mencapai 99.41% dengan nilai threshold 0.67788.