Dodi Putra Artawan, I Wayan (2026) FRAMEWORK HYBRID FEATURE SELECTION BERBASIS PCA–ADAPTIVE CORRELATION THRESHOLD UNTUK OPTIMASI DAN GENERALISASI KLASIFIKASI PADA DATASET BREAST CANCER WISCONSIN. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101033-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2229101033-ABSTRAK.pdf Download (208kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101033-BAB 1 PENDAHULUAN.pdf Download (377kB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101033-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (6MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101033-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (20MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101033-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101033-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (372kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101033-DAFTAR PUSTAKA.pdf Download (367kB) |
|
Text (LAMPIRAN)
2229101033-LAMPIRAN.pdf Download (199kB) |
Abstract
Perkembangan machine learning di bidang medis menuntut sistem diagnosis yang cepat, akurat, dan objektif, khususnya untuk kanker payudara. Namun, sebagian besar studi sebelumnya masih menggunakan seleksi fitur statis yang kurang adaptif terhadap berbagai karakteristik data. Dataset Breast Cancer Wisconsin (Diagnostic) yang berdimensi tinggi (569 sampel, 30 fitur) memiliki korelasi antarfitur yang tinggi sehingga berisiko menimbulkan redundansi, inefisiensi komputasi, dan overfitting. Penelitian ini mengusulkan kerangka hybrid feature selection yang memadukan Principal Component Analysis (PCA) untuk reduksi dimensi dan Adaptive Correlation Threshold (ACT) untuk secara adaptif mengeliminasi fitur yang berkorelasi tinggi. Evaluasi dilakukan menggunakan Support Vector Machine, Random Forest, k-Nearest Neighbor, dan Logistic Regression dengan skema 10-fold cross-validation, serta metrik accuracy, precision, recall, F1-score, dan AUC-ROC. Hasil eksperimen menunjukkan bahwa framework hybrid PCA-ACT secara signifikan mereduksi fitur dari 30 fitur menjadi 8 komponen, menghasilkan tingkat reduksi dimensi sebesar 73,33% serta meningkatkan rasio kepadatan sampel-ke-fitur menjadi 56,88 : 1 (+275% dari baseline), dengan waktu pelatihan yang efisien sebesar 0,0151 detik dan waktu inferensi sebesar 0,0011 detik per 100 sampel. Pengembangan selanjutnya dapat diarahkan pada dataset yang lebih besar, arsitektur deep learning, serta integrasi Explainable AI untuk meningkatkan transparansi dan interpretabilitas klinis.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, Breast Cancer Wisconsin Dataset, hybrid feature selection, Principal Component Analysis (PCA), Adaptive Correlation Threshold (ACT) |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I WAYAN DODI PUTRA ARTAWAN |
| Date Deposited: | 10 Aug 2026 02:16 |
| Last Modified: | 10 Aug 2026 02:16 |
| URI: | http://repo.undiksha.ac.id/id/eprint/32222 |
Actions (login required)
 |
View Item |