Evaluation of Feature Selection Using Wrapper For Numeric Dataset With Random Forest Algorithm

Nugroho, Arie; Fanani, Ahmad Zainul; Shidik, Guruh Fajar

doi:10.1109/isemantic52711.2021.9573249

Cited by 14 publications

(4 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…C. Feature Engineering 1) Feature Selection: Feature selection is a foundational step wherein a diverse range of methods, including filter, wrapper, embedded, or hybrid approaches [8], are employed to discern the importance of different features. By visualizing the outcomes of these techniques, insights can be gleaned into their efficacy and their impact on model performance.…”

Section: ) Sdv Approachmentioning

confidence: 99%

Credit Card Fraud Detection using GAN and Feature Engineering

Ali,

et al. 2024

Preprint

View full text Add to dashboard Cite

Credit card fraud is a prevalent financial crime thatcauses substantial losses to individuals and financial institutions.Traditional fraud detection methods often rely on rule-basedsystems or supervised machine learning algorithms, which maynot be effective in detecting novel or evolving fraudulent patterns.This project proposes a novel approach for credit card frauddetection using a generative adversarial network (GAN) togenerate synthetic fraudulent transactions, feature engineeringtechniques to extract relevant features from the transactiondata, and anomaly detection methods to identify fraudulenttransactions based on their deviation from normal patterns. Theproposed approach involves three main phases: data prepara-tion and feature engineering, GAN-based data balancing, andanomaly detection. Experimental results demonstrate that theproposed approach outperforms traditional fraud detection meth-ods, achieving higher accuracy, precision, recall, and F1-score inidentifying fraudulent transactions. Additionally, the approach ismore robust to changes in the underlying data distribution andcan effectively detect novel or evolving fraudulent patterns.

show abstract

Section: ) Sdv Approachmentioning

confidence: 99%

Credit Card Fraud Detection using GAN and Feature Engineering

Ali,

et al. 2024

Preprint

View full text Add to dashboard Cite

show abstract

“…Pre-processing yang dilakukan adalah konversi data dari beberapa atribut [19], [20]. Konversi data yang dilakukan adalah mengubah data dari bentuk teks ke bentuk angka [21]. Pada dataset yang digunakan, atribut dengan data teks adalah gender dan smoking_history.…”

Section: Gambar 2 Perbandingan Labelunclassified

Teknik Random Forest untuk Meningkatan Akurasi Data Tidak Seimbang

Nugroho,

Harini

2024

jsitik

Self Cite

View full text Add to dashboard Cite

Data tidak seimbang terjadi karena jumlah data pada tiap kelas berbeda jauh dimana akan mempengaruhi hasil prediksi. Dalam penelitian ini menggunakan dataset prediksi diabetes, yang mengandung data yang tidak seimbang. Hasil prediksi ditunjukkan dengan nilai akurasi dan presisi. Tujuan penelitian ini adalah meningkatkan nilai akurasi dan presisi pada data yang tidak seimbang. Metode yang digunakan dalam penelitian ini adalah penentuan sampling dan pembelajaran ensemble. Penentuan sampling yang digunakan adalah dengan cara mengalikan data pada kelas minoritas atau oversampling. Teknik Oversampling yang digunakan adalah Synthetic Minority Oversampling Technique (SMOTE). Pembelajaran ensemble yang digunakan adalah algoritma random forest. Kombinasi algoritma SMOTE dan random forest dapat meningkatkan akurasi dan menyeimbangkan nilai presisi pada setiap kelas. Hasil penelitian ini adalah Kombinasi tersebut menghasilkan nilai akurasi sebesar 97,5% dan nilai presisi pada kelas non pasien sebesar 97% sedangkan nilai presisi pada kelas pasien sebesar 98%.

show abstract

“…Metode ensemble learning bertujuan untuk meningkatkan kinerja suatu algoritma klasifikasi dengan menggabungkan beberapa classifier sebagai classifier baru dari suatu data kemudian menggabungkan beberapa prediksi untuk dipilih sebagai prediksi akhir, yang mana hasilnya akan lebih baik dari classifier awal, dimana dalam metode ini terdiri dari boostrap aggregating (bagging), boosting dan stacking (Fernández et al, 2018). Salah satu contoh dari pendekatan bagging adalah algoritma random forest yang terdiri dari beberapa phon keputusan (Nugroho et al, 2021). Boostraped dataset diambil dari dataset yang diambil secara acak yang kemudian setiap boostraped-nya diproses dengan masing-masing satu decision tree.…”

Section: Klasifikasi Dengan Metode Ensemble Learningunclassified

Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance

Nugroho,

Soeleman,

Pramunendar

et al. 2023

JTIIK

View full text Add to dashboard Cite

Perkembangan teknologi dan gaya hidup manusia yang semakin tinggi menghasilkan data-data yang berlimpah. Data-data tersebut dapat berbentuk data yang terstruktur dan tidak terstruktur. Data gambar termasuk dalam data yang tidak terstruktur. Aktifitas dan objek yang terekam dalam suatu gambar beraneka ragam. Secara normal, mata manusia dapat dengan mudah membedakan antara foreground dan background dari suatu gambar, tetapi komputer membutuhkan pembelajaran dalam membedakan keduanya. Segmentasi gambar adalah salah satu bidang dalam computer vision yang membahas bagaimana cara komputer mempelajari dan mengenali segmen dari suatu gambar sesuai label yang ditentukan. Dalam kenyataannya banyak data yang mempunyai class atau label yang tidak seimbang, tentunya akan mempengaruhi tingkat akurasi dari suatu prediksi. Dalam riset ini membahas bagaimana meningkatkan akurasi segmentasi semantik gambar pada metode ensemble learning untuk menangani masalah data yang tidak seimbang dalam segmentasi gambar. Teknik yang digunakan adalah sintetis oversampling sehingga menghasilkan data yang seimbang dan akurasi yang tinggi. Metode ensemble learning yang digunakan adalah Random Forest dan Light Gradien Boosting Machine (LGBM). Dengan menggunakan dataset Penn-Fudan Database for Pedestrian yang mengandung imbalanced class. Penggunaan teknik sintetis oversampling dapat memperbaikki tingkat akurasi pada class minoritas. Pada algoritma random forest mengalami peningkatan akurasi sebesar 37 % sedangkan pada algoritma LGBM meningkat sebesar 41 %. AbstractThe development of technology and the increasingly high lifestyle of humans produce abundant data. These data can be in the form of structured and unstructured data. Image data is included in unstructured data. The activities and objects recorded in a picture are varied. Normally, the human eye can easily distinguish between the foreground and background of an image, but computers need learning to distinguish between the two. Image segmentation is one of the fields in computer vision that discusses how computers learn and recognize segments of an image according to specified labels. In reality, a lot of data has unbalanced classes or labels, of course, it will affect the accuracy of a prediction. This research discusses how to improve the accuracy of image semantic segmentation in the ensemble learning method to deal with the problem of unbalanced data in image segmentation. The technique used is synthetic oversampling so as to produce balanced data and high accuracy. The ensemble learning methods used are Random Forest and Light Gradient Boosting Machine (LGBM). By using the Penn-Fudan Database for Pedestrian dataset which contains a imbalanced class. The use of synthetic oversampling techniques can improve the level of accuracy in minority classes. The random forest algorithm experienced an increase in accuracy by 37% while the LGBM algorithm increased by 41%.

show abstract

Evaluation of Feature Selection Using Wrapper For Numeric Dataset With Random Forest Algorithm

Cited by 14 publications

References 12 publications

Credit Card Fraud Detection using GAN and Feature Engineering

Credit Card Fraud Detection using GAN and Feature Engineering

Teknik Random Forest untuk Meningkatan Akurasi Data Tidak Seimbang

Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance

Contact Info

Product

Resources

About