Pengaruh Ukuran Contoh Terhadap Kinerja Algoritma Voting Feature Intervals (VF15)

Abstract

Klasifikasi sebagai salah satu bidang kajian utama machine learning telah banyak diterapkan pada bidang medis. Namun demikian penerapannya, khususnya di Indonesia, masih mengalami hambatan yang disebabkan oleh ketersediaan data. Oleh karena itu dibutuhkan algoritma klasifikasi yang mampu mengatasi kendala tersebut. Tujuan penelitian ini adalah untuk menganalisa pengaruh ukuran contoh terhadap kinerja algoritma Voting Feature Intervals (VF15). Klasifikasi dilakukan melalui beberapa tahapan proses, yaitu praproses, pelatihan untuk melihat domain permasalahan data, dan prediksi klasifikasi untuk menduga kelas dari suatu instance baru. Setiap data akan dibagi secara acak menjadi beberapa subset, namun proporsi perbandingan jumlah instance setiap kelas tetap dipertahankan. Setiap subset dibagi secara acak menjadi beberapa sub-subset sebagai data latih dan data uji. Pengujian klasifikasi seluruh data dilakukan dengan menggunakan metode 3-fold cross validation. Hasil penelitian menunjukkan bahwa, perubahan tingkat akurasi yang terjadi pada setiap data tidak hanya dipengaruhi oleh perubahan ukuran contoh tetapi juga karakteristik penyebaran (variasi) nilai feature setiap instance. Untuk data yang memiliki dua kelas, pengurangan ukuran contoh dan penyebaran nilai feature yang teratur (nilai tidak menyebar atau variasi nilai kecil) tidak mengakibatkan penurunan tingkat akurasi algoritma VFI5. Namun pengurangan ukuran contoh dan penyebaran nilai feature yang tidak teratur (nilai menyebar) mengakibatkan penurunan tingkat akurasi yang signifikan. Secara umum, tingkat akurasi algoritma VFIS dipengaruhi oleh ukuran contoh dan karakteristik penyebaran nilai feature setiap kelas. Pada data dengan ukuran contoh yang kecil, semakin besar variasi nilai feature setiap kelas, perubahan (penurunan) tingkat akurasi akan lebih signifikan dibandingkan dengan data yang variasi nilai feature setiap kelasnya kecil.