Optimasi Seleksi Fitur Dan Parameter Random Forest Menggunakan Algoritma Genetika Untuk Klasifikasi Penyakit Batu Empedu Pada Dataset UCI Machine Learning

Metode klasifikasi berbasis machine learning digunakan untuk menangani data
dengan variabel kompleks. Salah satu metode yang umum digunakan adalah
Random Forest, namun kinerjanya dipengaruhi oleh pemilihan fitur dan parameter.
Oleh karena itu, penelitian ini menerapkan Algoritma Genetika untuk melakukan
seleksi fitur dan optimasi parameter secara otomatis. Metode penelitian meliputi
pembagian data menjadi training dan testing serta optimasi kombinasi fitur dan
parameter yang dievaluasi menggunakan 5-fold cross validation berbasis AUC.
Pendekatan ini diterapkan pada klasifikasi penyakit batu empedu menggunakan
dataset UCI Machine Learning Repository. Hasil dari penelitian menunjukkan
bahwa Algoritma Genetika berhasil mereduksi jumlah fitur dari 38 menjadi 21 fitur
terpilih dan menghasilkan parameter optimal berupa n_estimators = 76, max_depth
= 16, max_features = log2, min_samples_split = 2, dan min_samples_leaf = 4.
Model Random Forest hasil optimasi menghasilkan accuracy 0,9062, precision
0,9333, recall 0,875, F1-score 0,9032, dan AUC-ROC 0,9609. Hasil tersebut
menunjukkan bahwa pendekatan yang diusulkan mampu menghasilkan model yang
baik.