Text
Optimasi Bobot Awal Extreme Learning Machine menggunakan Genetic Algorithm (GA-ELM) untuk Deteksi Dini Penyakit Stroke
ABSTRAK
Stroke merupakan penyakit penyebab kematian tertinggi kedua di dunia.
Deteksi dini penyakit stroke dapat mengurangi tingkat risiko kerusakan otak dan
kemungkinan kematian secara mendadak. Model klasifikasi dapat dimanfaatkan
untuk memprediksi adanya kemungkinan stroke berdasarkan riwayat kesehatan.
Permasalahan kelas data tidak seimbang sering ditemukan pada proses klasifikasi.
Ketidakseimbangan kelas data dapat diatasi dengan teknik Random Oversampling
(ROS). Extreme Learning Machine (ELM) merupakan algoritma klasifikasi yang
dinilai mampu mengatasi kelemahan jaringan saraf tiruan lain dalam hal kecepatan
pembelajaran. Bobot awal ELM dibangkitkan secara acak, hal tersebut tidak dapat
menjamin bahwa bobot yang digunakan adalah bobot optimal. Bobot awal pada
ELM tersebut perlu dioptimasi menggunakan metode Genetic Algorithm (GA)
untuk memperoleh bobot yang optimal. Bobot awal optimal diharapkan mampu
meningkatkan ukuran kinerja klasifikasi. Data penelitian diperoleh dari situs resmi
Kaggle berupa data prediksi penyakit stroke tahun 2020. Rasio data pelatihan dan
pengujian sebesar 70:30 merupakan perbandingan optimal yang diperoleh. Hasil
analisis menunjukkan bahwa optimasi GA terbukti meningkatkan akurasi,
sensitivitas, dan spesifisitas pada prediksi penyakit stroke yang diperoleh dengan
metode ELM. Akurasi terbaik yang dihasilkan sebesar 77,32% dengan sensitivitas
sebesar 72,72% dan spesifisitas sebesar 77,50%.
Kata Kunci: Stroke, Klasifikasi, Random Oversampling, Extreme Learning
Machine, Bobot Awal, Optimasi, Genetic Algorithm
1139E2024 | 1139 E 2024 | Perpustakaan FSM Undip | Tersedia |
Tidak tersedia versi lain