Klasifikasi Aktivitas Manusia menggunakan Algoritme Decision Tree C4.5 dan Information Gain untuk Seleksi Fitur

Abstrak

Pengenalan aktivitas manusia merupakan salah satu topik yang populer di kalangan peneliti akademis dan komersial. Beberapa peneliti telah mencoba untuk melakukan penelitian mengenai klasifikasi aktivitas manusia namun hasil yang didapatkan kurang memuaskan. Selain itu, terdapat permasalahan pada data set pengenalan aktivitas manusia yang memiliki fitur berdimensi tinggi. Fitur dengan dimensi tinggi membuat waktu komputasi menjadi lama dan menyebabkan pemodelan klasifikasi menjadi overfitting. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah metode klasifikasi Decision Tree C4.5 dengan seleksi fitur Information Gain. Metode Decision Tree C4.5 merupakan metode yang cocok digunakan untuk klasifikasi data yang kontinyu dan Information Gain menjadi salah satu metode filter dalam seleksi fitur yang dapat bekerja dengan baik terhadap data berdimensi tinggi. Penelitian juga melakukan berbagai pengujian terhadap parameter berupa jumlah fitur yang digunakan serta maksimal depth tree yang optimal untuk digunakan dalam tahap klasifikasi. Berdasarkan hasil pengujian yang telah dilakukan diperoleh akurasi sebesar 81% dengan menggunakan 90% dari total fitur (561 fitur) dan 10 untuk maksimal depth tree.