Klasifikasi Biner untuk Prediksi Keselamatan Penumpang Titanic: Perbandingan Algoritma Logistic Regression, Decision Tree, dan Random Forest

Sari

Klasifikasi biner merupakan salah satu teknik supervised machine learning yang banyak digunakan untuk memprediksi keluaran ke dalam dua kelas berdasarkan pola pada data. Dataset Titanic menjadi salah satu dataset yang paling sering digunakan sebagai media pembelajaran dan evaluasi algoritma klasifikasi karena memuat informasi demografis dan sosial ekonomi penumpang yang berkaitan dengan status keselamatan. Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma klasifikasi, yaitu Logistic Regression, Decision Tree, dan Random Forest, dalam memprediksi keselamatan penumpang Titanic serta menganalisis kemungkinan terjadinya data leakage yang dapat memengaruhi hasil evaluasi model. Dataset yang digunakan terdiri atas 418 data penumpang dengan 12 atribut, meliputi kelas penumpang, usia, jenis kelamin, tarif, jumlah anggota keluarga, dan pelabuhan keberangkatan. Tahap praproses data meliputi penanganan nilai hilang, penghapusan atribut yang tidak relevan, pengkodean data kategorikal, serta pembagian data latih dan data uji menggunakan metode stratified sampling dengan rasio 80:20. Standardisasi data diterapkan khusus pada model Logistic Regression, sedangkan Decision Tree dan Random Forest dilatih menggunakan data tanpa standardisasi. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, analisis korelasi, serta feature importance pada Random Forest. Hasil penelitian menunjukkan bahwa ketiga algoritma menghasilkan nilai akurasi, presisi, recall, dan F1-score sebesar 1,00 pada data uji. Namun, analisis lebih lanjut menunjukkan bahwa hasil tersebut disebabkan oleh data leakage, di mana atribut Sex memiliki nilai feature importance sebesar 0,83 dan berkorelasi sempurna dengan label Survived. Temuan ini mengindikasikan bahwa dataset yang digunakan kemungkinan merupakan dataset turunan yang label targetnya dibentuk berdasarkan aturan sederhana berbasis jenis kelamin, sehingga akurasi sempurna tidak mencerminkan kemampuan model yang sesungguhnya. Oleh karena itu, penelitian ini menegaskan pentingnya validasi kualitas data, pemeriksaan hubungan antara fitur dan target, serta deteksi data leakage sebelum menarik kesimpulan mengenai performa algoritma machine learning.

Kata kunci— Klasifikasi Biner, Titanic, Logistic Regression, Random Forest, Data Leakage, Machine Learning.