Logo UNTAN Universitas
Tanjungpura
Pontianak

Analisis Komparatif Metode Feature Selection Filter, Wrapper, Embedded pada Model Machine Learning untuk Klasifikasi Stres Pelajar

Muhammad, Haikal Ashari (2026) Analisis Komparatif Metode Feature Selection Filter, Wrapper, Embedded pada Model Machine Learning untuk Klasifikasi Stres Pelajar. Skripsi thesis, Universitas Tanjungpura.

[img] PDF (Cover-Bab1)
Cover-Bab1_D1041221067.pdf - Published Version

Download (454kB)
[img] PDF (D1041221067_MUHAMMAD_HAIKAL_ASHARI)
D1041221067_MUHAMMAD_HAIKAL_ASHARI.pdf - Accepted Version
Restricted to Repository staff only

Download (4MB)

Abstract

Tingginya prevalensi stres pada pelajar di Indonesia yang mencapai 36,7–71,6% menjadi permasalahan kesehatan mental yang serius dan memerlukan penanganan terstruktur, salah satunya melalui deteksi dini berbasis machine learning. Namun, penerapan machine learning pada data survei stres pelajar yang berdimensi tinggi seringkali menghadapi tantangan berupa redundansi fitur, multikolinearitas, dan noise akibat jawaban subjektif, sehingga dibutuhkan teknik seleksi fitur untuk menyaring fitur yang paling relevan dan informatif guna memperoleh model yang efektif. Penelitian ini bertujuan untuk membandingkan pengaruh empat metode seleksi fitur dari tiga pendekatan berbeda, yaitu ANOVA dan Mutual Information (Filter), RFECV (Wrapper), serta LASSO (Embedded), terhadap performa model machine learning Random Forest dan Support Vector Machine (SVM) dalam mengklasifikasikan tingkat stres pelajar. Dataset yang digunakan adalah Student Stress Factors yang terdiri dari 1.100 sampel dengan 20 fitur prediktor, dan pengujian dilakukan pada dua skenario konfigurasi parameter, yaitu parameter rujukan dan Bayesian Optimization. Evaluasi dilakukan berdasarkan akurasi, presisi, recall, F1-score, serta generalization gap untuk mengukur kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa setiap metode seleksi fitur menghasilkan jumlah fitur yang berbeda, di mana RFECV menyisakan paling sedikit fitur (3–4 fitur), Mutual Information mempertahankan 11 fitur, ANOVA 12 fitur, dan LASSO 18 fitur; seluruh metode secara konsisten memilih fitur blood_pressure sebagai fitur yang relevan. Hasil pengujian menunjukkan bahwa metode seleksi fitur yang mampu mempertahankan informasi antar fitur seperti Mutual Information, yang diiringi dengan pemilihan algoritma model dan parameter yang sesuai, cenderung memberikan performa yang lebih stabil pada dataset yang digunakan. Hal ini dipengaruhi oleh karakteristik data survei yang didominasi fitur ordinal dan memiliki hubungan linear maupun non-linear antar variabel, sehingga reduksi fitur yang terlalu agresif dan subset fitur yang kurang relevan pada beberapa skenario menyebabkan penurunan stabilitas performa model. Penelitian ini menyimpulkan bahwa kombinasi terbaik adalah model SVM dengan parameter rujukan dan seleksi fitur Mutual Information (11 fitur), karena menghasilkan keseimbangan yang baik antara akurasi tertinggi (88,00%) dan generalization gap yang rendah (3,88%).

Item Type: Thesis (Skripsi)
Creators:
CreatorsNomor Induk Mahasiswa (NIM)Email
Muhammad, Haikal AshariNIMD1041221067UNSPECIFIED
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Teknik > Teknik Informatika S1
SWORD Depositor: Rudiarti Rudiarti
Depositing User: Rudiarti Rudiarti
Date Deposited: 10 Nov 2026 03:47
Last Modified: 10 Nov 2026 03:47
URI: https://repository.untan.ac.id/id/eprint/10460

Actions (login required)

View Item View Item