Font Size: 

Feature selection merupakan salah satu teknik data preprocessing untuk mengatasi masalah pada klasifiakasi. Tantangan pada feature selection adalah menghasilkan akurasi maksimal dengan jumlah fitur yang paling efektif. Secara umum, feature selection menggunakan Particle Swarm Optimization menghasilkan subset fitur yang masih redundan, sehingga akurasi tidak dicapai secara maksimal. Pada peneliltian ini, dynamic inertia weight diterapkan pada algoritma 2-Stage Feature Selection untuk menyelesaikan masalah tersebut. Algoritma Naïve Bayes Classifier digunakan dalam penelitian ini sebagai implementasi dalam klasifikasi. Algoritma diuji dengan menerapkan feature selection pada 10 dataset UCI Machine Learning Repository dan membandingkan akurasi dan jumlah fitur yang didapat Algoritma 2-Dynamic Stage Feature Selection dengan algoritma sebelumnya, 2-Stage Feature Selection. Penambahan unsur dinamis pada 2-Dynamic Stage Feature Selection terbukti dapat menghasilkan jumlah fitur yang lebih efektif dengan akurasi klasifikasi yang tetap maksimal.