Klasifikasi Wisconsin Diagnostic Breast Cancer Data dengan Menggunakan Sequential Feature Selection dan Possibilistic C-Means

Abstract

Pada masalah klasifikasi yang melibatkan data berdimensi tinggi, metode pengurangan dimensi data menjadi salah satu hal penting. Hal ini diakibatkan adanya masalah curse of dimensionality yang mengimplikasikan bahwa dimensi data secara signifikan berpengaruh terhadap kompleksitas waktu maupun ruang dari tahapan pemrosesan data. Salah satu metode pengurangan dimensi adalah metode seleksi fitur (feature selection). Secara umum, metode seleksi fitur dapat dikategorikan menjadi tiga jenis, yaitu filter based method, wrapped based, dan embedded method. Metode pemilihan fitur sekuensial merupakan salah satu algoritma seleksi fitur yang klasik berbasiskan metode filter. Selain daripada metode pengurangan dimensi yang digunakan, metode klasifikasi itu sendiri merupakan kunci penting dalam suksesnya pemecahan masalah klasifikasi. Salah satu metode klasifikasi berbasiskan metode fuzzy yang umum digunakan adalah metode Fuzzy CMeans. Metode ini memiliki kekurangan dalam hal adanya kemungkinan nilai keanggotaan yang dihasilkan tidak merepresentasikan secara akurat nilai kemungkinan suatu data berada di suatu kelas tertentu. Kekurangan ini dapat diatasi dengan metode Possibilistic C-Means. Dalam makalah ini, metode klasifikasi Possibilistic C-Means dan metode pengurangan dimensi melalui seleksi fitur dengan menggunakan metode pemilihan fitur sekuensial akan digunakan untuk memecahkan masalah klasifikasi data Wisconsin Diagnostic Breast Cancer.