SELEKSI FITUR VS REDUKSI DIMENSI DALAM KLASIFIKASI METADATA GAME STEAM: STUDI ENSEMBLE LEARNING

Handika, Ferdi Setyo (2026) SELEKSI FITUR VS REDUKSI DIMENSI DALAM KLASIFIKASI METADATA GAME STEAM: STUDI ENSEMBLE LEARNING. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (2MB)
	Text BAB I.pdf Download (189kB)
	Text BAB II.pdf Download (233kB)
	Text BAB III.pdf Download (574kB)
	Text BAB IV.pdf Download (533kB)
	Text BAB V.pdf Download (143kB)
	Text LAMPIRAN.pdf Download (525kB)

Abstract

Prediksi ulasan pada ulasan game di platform Steam menghadapi tantangan berupa karakteristik data teks yang memiliki variasi fitur kompleks namun seringkali mengandung noise. Pendekatan konvensional umumnya menerapkan teknik reduksi dimensi untuk menyederhanakan data, namun hal ini berisiko menghilangkan informasi semantik penting pada dataset dengan dimensi terbatas. Penelitian ini bertujuan untuk melakukan komparasi efektivitas antara penggunaan Fitur Asli (Original Features), metode Reduksi Dimensi (PCA, LDA, AutoEncoder), dan metode Seleksi Fitur (Mutual Information) dalam klasifikasi sentimen. Algoritma yang digunakan berfokus pada Ensemble Learning, yaitu Random Forest, XGBoost, LightGBM, dan CatBoost, dengan optimasi hyperparameter menggunakan Grid Search. Hasil eksperimen menunjukkan bahwa metode Fitur Asli dengan algoritma CatBoost menghasilkan kinerja terbaik dengan akurasi 77.49%, mengungguli metode Seleksi Fitur (74.49%) dan seluruh metode Reduksi Dimensi yang hanya mencapai kisaran akurasi 69-72%. Temuan ini membuktikan secara empiris bahwa transformasi fitur pada data ulasan game Steam cenderung menyebabkan hilangnya informasi (information loss), sehingga mempertahankan fitur asli atau melakukan seleksi fitur yang relevan merupakan strategi yang lebih efektif untuk menjaga integritas data dan meningkatkan akurasi prediksi.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	22 May 2026 07:57
Last Modified:	22 May 2026 07:57
URI:	https://repository.unas.ac.id/id/eprint/16200

Actions (login required)

View Item