Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor: Feature Selection Optimization Using the Hybrid ARO-DBSCAN Algorithm to Improve the Accuracy of the K-Nearest Neighbor Classification Model

Abstrak

Penelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data.