ABSTRAK
Makalah tinjauan ini menyajikan analisis komprehensif tentang algoritma memetik (MA) untuk pemilihan fitur (FS), khususnya dalam kumpulan data berdimensi tinggi. MA secara efektif mengatasi tantangan pemilihan fitur dengan menggabungkan kemampuan eksplorasi global algoritma evolusi dengan pengoptimalan lokal teknik pencarian. Sifat hibridanya membuatnya sangat cocok untuk mengatasi kompleksitas, skalabilitas, dan tuntutan komputasional masalah FS di berbagai domain, termasuk bioinformatika, pemrosesan gambar, dan perkiraan keuangan. Tinjauan ini menyoroti kemajuan terkini, varian yang disesuaikan, dan aplikasi praktis metode FS berbasis MA sambil memberikan wawasan kritis tentang keterbatasannya, seperti overhead komputasi dan overfitting. Selain itu, makalah ini menguraikan arah penelitian masa depan untuk lebih meningkatkan kemanjuran MA dalam pemilihan fitur, menawarkan perspektif yang seimbang tentang kontribusinya di bidang ini.

Abstrak Grafis
Tinjauan ini mengeksplorasi algoritme memetik (MA) untuk pemilihan fitur dalam kumpulan data berdimensi tinggi, menyoroti pendekatan hibridanya yang menyeimbangkan eksplorasi global dan pengoptimalan lokal. Tinjauan ini membahas kemajuan, aplikasi, dan tantangan terkini, termasuk overhead komputasi dan overfitting, sekaligus menguraikan arah penelitian mendatang untuk meningkatkan efektivitasnya.