PENINGKATAN KINERJA ALGORITMA CORONA VIRUS DISEASE OPTIMISATION MENGGUNAKAN COMPETITION STRATEGY UNTUK SELEKSI FITUR BERBAGAI DIMENSI DATA

Berbagai dimensi data yang bervariasi menjadi tantangan terbesar saat ini
disebabkan oleh perkembangan dan bertambahnya data yang begitu cepat setiap
harinya. Selain itu keinginan untuk mendapatkan informasi dari tumpukan data ini
juga menjadi suatu hal yang sangat penting. Untuk mendapatkan informasi yang
diinginkan dari tumpukan data berbagai dimensi ini sehingga perlu dilakukan
penggalian data atau data mining. Salah satu bagian dari teknik data mining
adalah pra-pemrosesan data yaitu seleksi fitur. Seleksi fitur merupakan proses
untuk memilih fitur-fitur yang penting dalam suatu dataset yaitu dengan
mengurangi fitur-fitur yang tidak sesuai, tidak relevan atau tidak perlu yang
dianggap akan memperburuk kinerja dalam proses klasifikasi data dan waktu
pemrosesannya. Dengan memodifikasi Algoritma COVID Optimization untuk
memilih subset fitur yang relevan dari berbagai jenis dimensi data menggunakan
konsep Competition Strategy yang disematkan pada Algoritma optimasi yaitu
Coronavirus Disease Optimization Algorithm untuk menangani masalah seleksi
fitur yang relevan. Melalui konsep Competition Strategy ini yang bertujuan untuk
meningkatkan pencarian global dan mampu memberikan kinerja untuk
menghasilkan subset fitur yang menjanjikan dan mencapai akurasi klasifikasi
yang lebih baik. Kinerja Algoritma yang diusulkan diuji pada enam dataset dari
UCI Machine Learning Data Repository dipilih berdasarkan tingkat akurasi yang
rendah pada penelitian sebelumnya. Hasil eksperimen menunjukkan bahwa
kinerja Algoritma yang diusulkan lebih unggul dari Algoritma versi Biner COVID
Optimization dalam menangani seleksi fitur yang relevan sehingga mencapai
tingkat akurasi yang sangat baik.