KLASIFIKASI PENYAKIT SIROSIS MENGGUNAKAN METODE PCA-BACKPROPAGATION
Universitas Islam Negeri Sunan Ampel
Indonesia
Universitas Islam Negeri Sunan Ampel
Indonesia
Abstract
Penyakit sirosis menjadi penyakit endemik yang berdampak pada sejumlah besar manusia di seluruh dunia. Menurut WHO (World Health Organization) pada tahun 2016 terdapat 1,3 juta kematian yang disebabkan oleh penyakit sirosis di seluruh dunia. Penyakit ini lebih sering terjadi pada pasien usia lanjut dengan usia sekitar 40-60 tahun. Penyakit ini disebabkan oleh bermacam-macam unsur yang membahayakan hati misalnya obesitas, infeksi hepatitis yang tidak terdiagnosis, dan bahaya alkohol. Tujuan penelitian ini adalah mengklasifikasikan pasien yang terdiagnosis penyakit sirosis. Oleh karena itu, pada penelitian ini dalam melakukan klasifikasi menggunakan metode Backpropagation dengan reduksi fitur menggunakan PCA (Principal Component Analysis). Jumlah data yang digunakan sebanyak 418 data dengan 18 fitur. Kemudian dari data tersebut dilakukan tahap preprocessing serta reduksi fitur dengan PCA dan diperoleh 5 fitur yang berpengaruh. Selanjutnya melakukan analisis perbandingan Backpropagation dengan ekstraksi PCA dan tanpa ekstraksi PCA. Penelitian ini menggunakan parameter uji coba jumlah node dan learning rate. Hasil terbaik yang diperoleh berdasarkan nilai klasifikasi Backpropagation dengan menggunakan PCA sebesar 76.191% dengan jumlah node 50 dan learning rate 0.1. Sedangkan akurasi klasifikasi Backpropagation tanpa menggunakan PCA sebesar 67.857% dengan jumlah node 50 dan learning rate 0.3. Penelitian ini menggunakan parameter uji coba jumlah node dan learning rate. Hasil terbaik yang diperoleh berdasarkan nilai klasifikasi Backpropagation dengan menggunakan PCA sebesar 76.191% dengan jumlah node 50 dan learning rate 0.1. Sedangkan akurasi klasifikasi Backpropagation tanpa menggunakan PCA sebesar 67.857% dengan jumlah node 50 dan learning rate 0.3. Penelitian ini menggunakan parameter uji coba jumlah node dan learning rate. Hasil terbaik yang diperoleh berdasarkan nilai klasifikasi Backpropagation dengan menggunakan PCA sebesar 76.191% dengan jumlah node 50 dan learning rate 0.1. Sedangkan akurasi klasifikasi Backpropagation tanpa menggunakan PCA sebesar 67.857% dengan jumlah node 50 dan learning rate 0.3.
Keywords
References
C. Min Lee, A. Burgio, G. Young Geong, and S. Hyung Kang, “An updated review on the epidemiology, pathophysiology, etiology, and diagnosis of liver cirrhosis,” J Gastroenterol, vol. 56, no. March, pp. 593–619, 2021, [Online]. Available: https://www.researchgate.net/publication/331752269
A. M. Moon, A. G. Singal, and E. B. Tapper, “Contemporary Epidemiology of Chronic Liver Disease and Cirrhosis,” Clin. Gastroenterol. Hepatol., vol. 18, no. 12, pp. 2650–2666, 2020.
A. K. M. S. Rahman, F. M. Javed Mehedi Shamrat, Z. Tasnim, J. Roy, and S. A. Hossain, “A comparative study on liver disease prediction using supervised machine learning algorithms,” Int. J. Sci. Technol. Res., vol. 8, no. 11, pp. 419–422, 2019.
J. J. Alukal, H. A. Naqvi, and P. J. Thuluvath, “Vaccination in Chronic Liver Disease: An Update,” J. Clin. Exp. Hepatol., vol. 12, no. 3, pp. 937–947, 2022, doi: 10.1016/j.jceh.2021.12.003.
P. P. A. Dewi, “Penyakit Hati Kronis Pada Anak,” Univ. Udayana, p. 9, 2019.
A. D. Kamila, P. Kedokteran, F. Kedokteran, and U. S. Maret, “Analisis Edukasi Mahasiswa Mengenai Sirosis Sebagai Strategi Pencegahan Sirosis”.
F. Zola, “Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Prestasi Siswa,” J. Teknol. Dan Open Source, vol. 1, no. 1, pp. 58–72, 2018, doi: 10.36378/jtos.v1i1.12.
N. D. Prayoga, N. Hidayat, and R. K. Dewi, “Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2666–2671, 2018.
Wiwid Wahyudi, “Implementasi Data Mining Untuk Klasifikasi Penyakit Liver Dengan C4.5 Adaboost,” J. Ilm. Tek. Inform. dan Komun., vol. 1, no. 3, pp. 71–76, 2021, doi: 10.55606/juitik.v1i3.120.
M. Y. Anshori, D. Rahmalia, and T. Herlambang, “Comparison Backpropagation (BP) and Learning Vector Quantification (LVQ) on classifying price range of smartphone in market,” J. Phys. Conf. Ser., vol. 1836, no. 1, 2021, doi: 10.1088/1742-6596/1836/1/012040.
S. Ghazal, W. S. Qureshi, U. S. Khan, J. Iqbal, N. Rashid, and M. I. Tiwana, “Analysis of visual features and classifiers for Fruit classification problem,” Comput. Electron. Agric., vol. 187, no. February, p. 106267, 2021, doi: 10.1016/j.compag.2021.106267.
F. R. Rizqulloh, “Analisa Perbandingan Peramalan Beban Listrik Jangka Pendek antara Metode Backpropagation Neural Network dengan Metode Regresi Linier,” pp. 69–77, 2019.
S. Zulaikhah Hariyanti Rukmana, A. Aziz, and W. Harianto, “Optimasi Algoritma K-Nearest Neighbor (Knn) Dengan Normalisasi Dan Seleksi Fitur Untuk Klasifikasi Penyakit Liver,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 439–445, 2022, doi: 10.36040/jati.v6i2.4722.
D. A. Nasution, H. H. Khotimah, and N. Chamidah, “PERBANDINGAN NORMALISASI DATA UNTUK KLASIFIKASI WINE MENGGUNAKAN ALGORITMA K-NN,” J. Comput. Eng. Syst. Sci., vol. 4, 2019.
D. Singh and B. Singh, “Investigating the impact of data normalization on classification performance,” Appl. Soft Comput., vol. 97, no. xxxx, p. 105524, 2020, doi: 10.1016/j.asoc.2019.105524.
D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
N. M. Sunariadi, S. N. Fadilah, and D. C. R. Novitasari, “Analisis Resiko Kanker Serviks Menggunakan PCA-ANFIS Berdasarkan Historical Medical Record,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1349, 2022, doi: 10.30865/mib.v6i3.3901.
I. P. B. D. Purwanta, N. P. N. P. Dewi, and C. K. Adi, “Backpropagation Neural Network for Book Classification Using the Image Cover,” Int. J. Appl. Sci. Smart Technol., vol. 2, no. 2, pp. 89–106, 2020, doi: 10.24071/ijasst.v2i2.2653.
D. Chen, X. Li, and S. Li, “A Novel Convolutional Neural Network Model Based on Beetle Antennae Search Optimization Algorithm for Computerized Tomography Diagnosis,” IEEE Trans. Neural Networks Learn. Syst., vol. 34, pp. 1418–1429, 2023.
E. S. Putri, A. Hamid, and D. C. R. Novitasari, “Prediction of the Tuban Regency Open Unemployment Rate in 2022 with the Backpropagation Method,” Numer. J. Mat. dan Pendidik. Mat., vol. 6, pp. 25–36, 2022, doi: 10.25217/numerical.v6i1.2150.
D. C. Rini Novitasari, A. Z. Foeady, M. Thohir, A. Z. Arifin, K. Niam, and A. H. Asyhar, “Automatic Approach for Cervical Cancer Detection Based on Deep Belief Network (DBN) Using Colposcopy Data,” 2020 Int. Conf. Artif. Intell. Inf. Commun. ICAIIC 2020, pp. 415–420, 2020, doi: 10.1109/ICAIIC48513.2020.9065196.
