Fakultas Ilmu Komputer
Klasifikasi Pengidap Kanker Payudara Menggunakan Metode Voting Based Extreme Learning Machine (V-ELM)
Dheby Tata Artha1, Sigit Adinugroho2, Putra Pandu Adikara3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Kanker payudara adalah tumor ganas yang berasal dari pertumbuhan abnormal sel-sel payudara.
Setiap tahunnya, sebanyak 2,1 juta perempuan meninggal dunia akibat kanker payudara. Untuk mengurangi jumlah kematian akibat kanker payudara, dapat dilakukan upaya pencegahan dengan melakukan screening. Perkembangan teknologi medis dan teknologi informasi, di dalam dunia medis dapat digunakan peneliti di bidangnya untuk mengembangkan model deteksi dini, dari data konsultasi rutin dan analisis darah. Pada penelitian ini, dilakukan klasifikasi terhadap pengidap kanker payudara dengan metode Voting Based Extreme Learning Machine (V-ELM). Data yang digunakan adalah Breast Cancer Coimbra Dataset yang dipublikasikan pada UCI Machine Learning tahun 2018. Dalam data tersebut, terdapat 116 data dengan 9 fitur dan 2 kelas yaitu Healthy Control dan Patient. Data tersebut dilakukan normalisasi terlebih dahulu, kemudian dilakukan proses pelatihan V-ELM terhadap data latih. Setelah itu pengujian dilakukan dengan masukan berupa data uji serta hasil dari proses pelatihan. Rasio data latih dan data uji yang digunakan adalah 80:20. Penelitian ini melakukan pengujian terhadap beberapa parameter dan mendapatkan hasil optimal, diantaranya 20 hidden neuron, nilai k untuk V-ELM adalah sebesar 35 dan fungsi aktivasi dengan hasil optimal adalah fungsi Sigmoid. Dengan menggunakan parameter optimal tersebut didapatkan akurasi sebesar 89,56%, sensitivity sebesar 96,924% dan specificity sebesar 80%.
Kata kunci: klasifikasi, Voting Based Extreme Learning Machine, kanker payudara Abstract
Breast cancer is a malignant tumor that formed by the abnormal growth of breast cells. Every year, breast cancer causes about 2,1 million women to die. To reduce the number of deaths caused by breast cancer, screening can be chosen for prevention efforts. The development of medical technology and information technology, in the medical world, can be used by researchers in their fields to develop early detection models, from routine consultation data and blood analysis. In this study, breast cancer data will be classified using the Voting Based Extreme Learning Machine (V-ELM). This study using Coimbra Dataset Breast Cancer which published on UCI Machine Learning in 2018. It consists of 116 data, 9 features and 2 classes (Healthy Control and Patient). Firstly, the dataset would be normalized, then began the training process of V-ELM with data train. After that, began the testing process of V- ELM with input values from the training process and data test. The ratio between training data and testing data in this study is 80:20. This study tested several parameters and obtained optimal results, including 20 hidden neurons, the value of k for V-ELM is 35 and the activation function with optimal results is the Sigmoid function. By using those optimal parameters, gives accuracy of 89.56%, sensitivity of 96.924% and specificity of 80%.
Keywords: classification, Voting Based Extreme Learning Machine, breast cancer
1. PENDAHULUAN
Pertumbuhan abnormal dari sel-sel payudara dapat menimbulkan tumor ganas yang disebut kanker payudara (Kementerian Kesehatan, 2016). Menurut data yang dihimpun oleh World Heatlh Organization (WHO) (2018), kanker payudara mengakibatkan hingga
2,1 juta perempuan meninggal setiap tahunnya.
Diperkirakan pada tahun 2018 kanker payudara mengakibatkan sekitar 627.000 perempuan meninggal dunia. Berdasarkan data Riset Kesehatan Dasar Kementerian Kesehatan RI 2013 (dalam liputan6, 2018), prevalensi kanker tertinggi di Indonesia salah satunya adalah kanker payudara. Penyakit ini menyebabkan
perempuan di Indonesia meninggal dunia dengan angka kematian 21,5 per 100.000 penduduk.
Upaya pencegahan dengan screening kanker payudara merupakan langkah yang dapat dilakukan untuk mengurangi jumlah kematian akibat kanker payudara (Junaidi, 2014). Screening adalah pendeteksian kanker sebelum pasien mengalami gejala (World Health Organization, 2018). Perkembangan teknologi medis dan teknologi informasi, di dalam dunia medis dapat digunakan peneliti di bidangnya untuk mengembangkan model deteksi dini (Wang et al., 2018), dari data konsultasi rutin dan analisis darah (Patricio et al., 2018). Data mining dapat digunakan untuk mendeteksi penyakit kanker dengan menggunakan teknik klasifikasi, kemudian hasil klasifikasi tersebut digunakan untuk membantu dokter dalam mendiagnosis penyakit (Adinugroho dan Sari, 2018).
Metode Extreme Learning Machine (ELM) merupakan salah satu metode yang dapat digunakan untuk melakukan pengklasifikasian dengan komputer. Sebelumnya telah dilakukan penelitian mengenai deteksi dini keberadaan kanker payudara dengan metode Support Vector Machine (SVM) yang dilakukan oleh Patricio et al (2018). Penelitian tersebut mendapatkan hasil sensitivity 82% hingga 88%, hasil specificity 85% hingga 90%. Penelitian terdahulu yang terkait dengan metode ELM untuk masalah pengklasifikasian yang kedua adalah penelitian yang dilakukan oleh Fadillla et al (2018), pada penelitian tersebut memberikan hasil akurasi terbaik yaitu sebesar 96,7% dengan 50 hidden neuron. Kemudian yang ketiga adalah penelitian yang dilakukan oleh Cao et al (2012) dengan metode Voting Based Extreme Learning Machine, dijelaskan bahwa dalam metode ELM masih terdapat kesalahan dalam melakukan klasifikasi pada sampel yang dekat dengan batas klasifikasi antar kelas, hasil dari penelitian tersebut diperoleh bahwa metode V- ELM mampu mendapatkan tingkat keberhasilan dalam melakukan klasifikasi dibanding metode ELM.
Berdasarkan uraian yang telah dijelaskan di atas serta penelitian yang sebelumnya telah dilakukan, melakukan deteksi dini merupakan hal yang penting untuk mengetahui keberadaan kanker payudara, maka dari itu penulis tertarik untuk melakukan penelitian dengan judul
“Klasifikasi Pengidap Kanker Payudara Menggunakan Metode Voting Based Extreme Learning Machine (V-ELM)”. Aplikasi yang akan dibangun diharapkan dapat membantu dokter dalam mendiagnosis penyakit kanker payudara.
2. LANDASAN KEPUSTAKAAN 2.1. Dataset Kanker Payudara
Pada penelitian ini menggunakan data sekunder yang bersumber dari UCI Machine Learning Repository. Data yang digunakan adalah Breast Cancer Coimbra Data Set tahun 2018 (Patricio et al., 2018) dengan total data sebanyak 116 data. Atribut dari data yang akan digunakan sebagai fitur untuk masukan sistem dalam melakukan klasifikasi kanker payudara adalah usia, Indeks Massa Tubuh (IMT), glukosa, resistin, HOMA, insulin, leptin, adiponectin dan MCP.1. Label yang digunakan untuk melakukan klasifikasi ada 2, yaitu 1 sebagai healthy control dan 2 sebagai pasien.
2.2. Kanker Payudara
Kanker payudara merupakan suatu kondisi terbentuknya sel di payudara secara tidak normal dan tidak terkendali. Bagian pada payudara seperti lobulus, duktus, jaringan lemak atau jaringan ikat dapat terjangkit kanker (Alodokter, 2014).
2.2. Klasifikasi
Klasifikasi adalah proses mengelompokkan data dengan karakteristik yang sama kedalam kelas-kelas yang telah ditentukan terlebih dahulu. Label kelas dalam klasifikasi digunakan untuk menamai kelompok yang memiliki pola yang serupa (Sugianto et al., 2018).
2.3. Normalisasi Data
Normalisasi data masukan dilakukan dengan menggunakan Persamaan 1.
𝑥′𝑖𝑗= 𝑥𝑖𝑗−𝑚𝑖𝑛𝑗
𝑚𝑎𝑥𝑗−𝑚𝑖𝑛𝑗 (1)
Keterangan:
𝑥′𝑖𝑗 = nilai hasil normalisasi data ke-i fitur ke-j
𝑥𝑖𝑗 = nilai data ke-i fitur ke-j 𝑚𝑎𝑥𝑗 = nilai terbesar pada fitur ke-j
𝑚𝑖𝑛𝑗 = nilai terkecil pada fitur ke-j
2.4. Extreme Learning Machine (ELM) Jaringan saraf tiruan yang memiliki satu hidden layer yang dapat digunakan untuk melakukan klasifikasi dan regresi adalah metode Extreme Learning Machine (ELM).
Pada tahap pelatihan metode ELM dilakukan pengacakan untuk inisialisasi nilai bobot dan bias serta menetapkan banyak hidden neuron yang akan digunakan (Ding et al., 2015).
Arsitektur dari ELM ditunjukkan pada Gambar 1.
Gambar 1. Arsitektur ELM 2.4.1 Fungsi Aktivasi
Pada ELM, terdapat beberapa fungsi aktivasi yang digunakan untuk meneruskan sinyal dari input layer ke output layer. Menurut (Huang et al., 2015) beberapa fungsi aktivasi tersebut diantaranya:
1. Fungsi aktivasi Sigmoid
Untuk menghitung fungsi aktivasi Sigmoid menggunakan Persamaan 2.
𝑓(𝑥) = 1
1+𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡 (2) 2. Fungsi aktivasi Fourier
Untuk menghitung fungsi aktivasi Fourier menggunakan Persamaan 3.
𝑓(𝑥) =sin(𝐻_𝐼𝑛𝑖𝑡) (3)
3. Fungsi aktivasi Hyperbolic Tangen
Untuk menghitung fungsi aktivasi Hyperbolic Tangen menggunakan Persamaan 4.
𝑓(𝑥) = 1−𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡
1+𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡 (4) 4. Fungsi aktivasi Linear
Untuk menghitung fungsi aktivasi Linear menggunakan Persamaan 5.
𝑓(𝑥) = 𝐻_𝑖𝑛𝑖𝑡 (5)
2.4.2 Proses Training ELM
1. Inisialisasi bobot 𝑊𝑗𝑘 dan bias 𝑏𝑗 secara acak. Dimana, j adalah indeks untuk hidden neuron dan k adalah indeks untuk dimensi masukan.
2. Hitung matriks 𝐻𝑖𝑛𝑖𝑡 dengan Persamaan 6.
𝐻𝑖𝑛𝑖𝑡= (𝑋 ∗ 𝑊𝑇) + 𝑏 (6) Keterangan:
𝐻𝑖𝑛𝑖𝑡= matriks masukan hidden layer 𝑋 = matriks data masukan
𝑊𝑇 = Transpose dari matriks bobot 𝑏 = nilai bias
3. Hitung matriks H sebagai keluaran hidden layer dengan menggunakan salah satu fungsi aktivasi. Pada Persamaan 7 fungsi aktivasi yang digunakan adalah fungsi Sigmoid.
𝐻 = 1
1+exp (−𝐻𝑖𝑛𝑖𝑡) (7) Keterangan:
𝐻 = matriks keluaran hidden layer 𝑒𝑥𝑝 = Eksponensial
𝐻𝑖𝑛𝑖𝑡= matriks masukan hidden layer
4. Hitung matriks 𝐻+ dengan Moore-Penrose Generalized Inverse seperti Persamaan 8.
𝐻+= (𝐻𝑇𝐻)−1𝐻𝑇 (8) Keterangan:
𝐻+= matriks Moore-Penrose 𝐻𝑇 = Transpose dari matriks H
5. Hitung output weight dengan menggunakan Persamaan 9.
𝛽̂ = 𝐻+𝑌 (9)
Keterangan:
𝛽̂ = matriks output weight 𝐻+= matriks Moore-Penrose 𝑌 = matriks target
2.4.3 Proses Testing ELM
1. Hitung matriks H dari data uji menggunakan Persamaan 6 dan Persamaan 7 dengan menggunakan matriks bobot w, bias b dan 𝛽̂ dari hasil proses training.
2. Hitung hasil keluaran output layer dengan Persamaan 10.
𝑌̂ = 𝐻𝛽̂ (10)
Keterangan:
𝛽̂ = matriks output weight 𝐻 = matriks fungsi aktivasi
𝑌̂ = matriks output hasil klasifikasi 2.5 Voting Based Extreme Learning Machine
(V-ELM)
Salah satu masalah yang dimiliki oleh metode ELM ialah kemungkinan terjadi kesalahan klasifikasi pada sampel yang berada dekat dengan batas klasifikasi antar kelas.
Permasalahan tersebut dapat diatasi dengan menerapkan metode voting based pada ELM (V-ELM) (Ginting et al., 2018). Pada metode V-ELM akan melakukan perulangan metode ELM sebanyak k kali. Untuk setiap ELM menggunakan parameter yang berbeda, seperti bobot dan bias. Sedangkan untuk data masukan menggunakan data latih yang sama untuk tiap ELM. Kemudian untuk menentukan kelas dari data ditentukan dengan voting terbanyak dari setiap ELM. Terdapat dua tahapan dalam metode V-ELM, yaitu tahap training atau pelatihan dan tahap testing atau pengujian.
Berikut penjelasan tahap training dan testing dalam V-ELM.
Tahap training V-ELM:
1. Inisialisasi nilai k sebagai banyaknya perulangan ELM tahap training, bernilai ganjil.
2. Selama banyaknya perulangan yang dilakukan masih dalam rentang nilai k, ulangi langkah 3-5.
3. Inisialisasi bobot w dan bias b secara acak.
4. Melakukan perhitungan dengan Persamaan 6 sampai dengan Persamaan 9.
5. Menambah nilai k dengan 1.
Tahap testing V-ELM:
1. Inisialisasi nilai k sebagai banyaknya perulangan ELM tahap testing, bernilai ganjil.
2. Selama banyaknya perulangan yang dilakukan masih dalam rentang nilai k, ulangi langkah 3-5.
3. Dengan parameter hasil training (𝑤𝑗𝑘, 𝑏𝑗𝑘, 𝛽𝑗𝑘), lakukan proses testing ELM . 4. Simpan hasil keluaran klasifikasi ke dalam
matriks 𝑠𝑘,𝑥 , yang mana x = data input.
5. Menambah nilai k dengan 1.
6. Hasil klasifikasi adalah kelas dengan voting tertinggi untuk tiap data berdasarkan matriks 𝑠𝑘,𝑥.
2.6 Evaluasi
Pada penelitian ini, metode evaluasi dari hasil klasifikasi yang digunakan adalah dengan confusion matrix. Tabel 1 mendeskripsikan confusion matrix.
Tabel 1. Confusion Matrix Nilai
Prediksi
Nilai Aktual
True False
True True Positive False Positive False False Negative True Negative
Perhitungan yang dilakukan dalam metode confusion matrix yang digunakan pada penelitian ini adalah metode akurasi. Persamaan 11 digunakan untuk menghitung Akurasi, Persamaan 12 digunakan untuk menghitung Sensitivity, Persamaan 13 digunakan untuk menghitung Specificity.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑁+𝐹𝑃 (11)
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃
𝑇𝑃+𝐹𝑁 (12)
𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁
𝑇𝑁+𝐹𝑃 (13)
3. PERANCANGAN
Pada penelitian ini, metode yang dilakukan dimulai dengan dari normalisasi data latih dan data uji, selanjutnya fase pelatihan V-ELM untuk mendapatkan nilai bobot, bias dan output weight (beta) sebagai masukan untuk fase pengujian. Setelah mendapatkan hasil dari pelatihan, fase selanjutnya ialah pengujian V- ELM dengan data uji. Hasil yang didapatkan dari metode ini adalah berupa hasil klasifikasi dari data breast cancer Coimbra.
Untuk memudahkan gambaran mengenai metode yang dilakukan pada penelitian ini, maka akan ditampilkan diagram alir pada Gambar 2 dan Gambar 3.
Gambar 2. Diagram Alir Metode Penelitian (Bagian 1)
Mulai
Dataset breast cancer Coimbra
A
Gambar 3. Diagram Alir Metode Penelitian (Bagian 2)
4. HASIL DAN ANALISIS PENGUJIAN Setiap pengujian menggunakan rasio data latih dan data uji sebesar 80:20.
4.1. Pengujian Banyak Hidden Neuron Pengujian banyak hidden neuron dilakukan untuk mengetahui pengaruh banyaknya hidden neuron terhadap hasil proses klasifikasi.
Parameter lain yang digunakan pada pengujian ini adalah k = 3 dan fungsi aktivasi Sigmoid.
Hasil pengujian banyak hidden neuron ditampilkan dalam representasi grafik seperti pada Gambar 4.
Gambar 4. Grafik Pengujian Banyak Hidden Neuron
Pada Gambar 4 menunjukkan bahwa banyak hidden neuron pada rentang nilai 5 sampai dengan 20 menghasilkan nilai akurasi yang meningkat. Penurunan hasil nilai akurasi terjadi pada hidden neuron dengan rentang nilai 21 sampai 30, lalu hasil nilai akurasi kembali mengalami peningkatan pada hidden neuron dengan rentang nilai 31 sampai 35, hal tersebut dapat terjadi karena pada metode V-ELM, inisialisasi parameter masukan berupa bobot dan bias dilakukan secara acak. Pertambahan banyak hidden neuron mengakibatkan bertambahnya pola yang terbentuk pada tahap pembelajaran sehingga memungkinkan terjadi overfitting. Begitupula jika banyaknya hidden neuron terlalu sedikit, maka pola yang dikenali akan terbatas sehingga terjadi underfitting. Baik overfitting maupun underfitting akan menyebabkan hasil akurasi cenderung rendah.
4.2. Pengujian Fungsi Aktivasi
Pengujian fungsi aktivasi dilakukan untuk mengetahui pengaruh penggunaan fungsi aktivasi yang memberikan hasil tingkat akurasi optimal dalam melakukan klasifikasi kanker payudara. Parameter lain yang digunakan pada pengujian ini adalah k = 3 dan 20 hidden neuron. Hasil pengujian fungsi aktivasi ditampilkan dalam representasi grafik seperti pada Gambar 5.
Gambar 5. Grafik Hasil Pengujian Fungsi Aktivasi Pada Gambar 5 hasil rata-rata tingkat akurasi yang didapat dari empat jenis pengujian fungsi aktivasi. Penggunaan fungsi aktivasi sigmoid dapat menghasilkan tingkat akurasi yang paling baik dibanding fungsi aktivasi lainnya. Rata- rata tingkat akurasi yang dicapai dari fungsi aktivasi sigmoid adalah 85,218%. Hal tersebut menunjukkan bahwa fungsi aktivasi sigmoid sesuai untuk digunakan pada metode dan data dalam penelitian ini. Hasil akurasi yang baik didapatkan ketika fungsi aktivasi yang digunakan fungsi aktivasi sigmoid dan hyperbolic tangen karena keduanya bagian dari
0 50 100
5 10 15 20 25 30 35 40 45 50
Akurasi (%)
Banyak Hidden Neuron Normalisasi data latih
dan data uji
Proses training V-ELM
Proses testing V-ELM
Voting hasil klasifikasi
Hasil klasifikasi
Berhenti A
fungsi logistic (Shenouda, 2006).
4.3. Pengujian Nilai k
Pengujian nilai k yang merepresentasikan banyaknya perulangan metode ELM dalam V- ELM dilakukan untuk mengetahui pengaruh nilai k terhadap hasil akurasi dari proses klasifikasi. Parameter lain yang digunakan pada pengujian ini adalah fungsi aktivasi Sigmoid dan 20 hidden neuron. Hasil pengujian nilai k ditampilkan dalam representasi grafik seperti pada Gambar 6.
Gambar 6. Grafik Hasil Pengujian Nilai k Gambar 6 menampilkan tingkat akurasi yang diperoleh dari pengujian nilai k. Dari lima kali percobaan yang telah dilakukan, untuk setiap nilai k diperoleh bahwa bertambah besarnya nilai k yang digunakan dapat menghasilkan rata-rata tingkat akurasi yang tinggi karena semakin banyak proses voting yang dilakukan memilih label kelas yang dominan maka sistem dapat mengklasifikasikan dengan benar sehingga rata-rata tingkat akurasi yang akan diperoleh dapat lebih tinggi dibanding nilai k yang kecil. Dari pengujian yang telah dilakukan 35 merupakan nilai k yang paling optimal dalam penelitian ini dengan menghasilkan rata- rata tingkat akurasi sebesar 89,56%.
4.4. Analisis Global
Setelah melakukan tiga skenario percobaan, dapat diketahui bahwa penggunaan banyak hidden neuron sangat menentukan tingkat akurasi yang akan dicapai oleh sistem. Nilai akurasi akan rendah bila menggunakan hidden neuron yang terlalu sedikit ataupun banyak. Hal tersebut dapat dikaitkan dengan gejala underfitting dan overfitting, apabila hidden neuron yang digunakan terlalu sedikit maka sistem tidak dapat mengenali pola data pada tahap pelatihan sehingga pada saat dilakukan pengujian akan menghasilkan akurasi yang rendah sehingga terjadi underfitting, lalu jika
banyak hidden neuron yang digunakan terlalu banyak maka sistem akan mengenali pola data pada tahap pelatihan terlalu banyak sehingga pada saat dilakukan pengujian akan menghasilkan akurasi yang rendah sehingga terjadi overfitting.
Pemilihan nilai k dengan bilangan ganjil yang semakin besar dapat meningkatkan rata- rata tingkat akurasi. Hal tersebut dikarenakan semakin banyaknya proses voting dilakukan untuk memilih label yang dominan maka peluang sistem dalam mengklasifikasikan akan semakin optimal.
Penggunaan fungsi aktivasi juga berpengaruh terhadap hasil akurasi yang optimal, yang mana fungsi sigmoid merupakan fungsi aktivasi yang akan menghasilkan nilai akurasi yang optimal dibanding menggunakan fungsi aktivasi lainnya.
Dengan menggunakan parameter optimal dari ketiga pengujian sebelumnya, yaitu 20 hidden neuron, fungsi aktivasi Sigmoid dan nilai k=35, didapatkan hasil akurasi sebesar 89,564%, sensitivity sebesar 96,924% dan specificity sebesar 80%.
5. KESIMPULAN
Simpulan yang dapat diambil setelah melakukan tahap perancangan, implementasi, pengujian dan analisis adalah sebagai berikut.
1. Metode V-ELM telah dirancang dan dapat diimplementasikan pada permasalahan klasifikasi pengidap kanker payudara. Proses pertama yang dilakukan adalah membagi data latih dan data uji. Kemudian dilakukan proses normalisasi terhadap data latih dan data uji. Setelah itu dilakukan klasifikasi dengan metode V-ELM, sehingga didapatkan hasil klasifikasi dari data uji.
2. Dari hasil pengujian didapatkan nilai optimal untuk banyak hidden neuron adalah 20 neuron, nilai optimal untuk k adalah 35 dan fungsi aktivasi yang memberikan hasil paling optimal adalah fungsi aktivasi Sigmoid.
3. Dengan menggunakan parameter optimal dari hasil pengujian, didapatkan akurasi sebesar 89,564%, sensitivity 96,924% dan specificity sebesar 80%. Hasil akurasi yang tinggi ini mengindikasikan bahwa metode V- ELM cocok digunakan untuk klasifikasi data pengidap kanker payudara.
6. DAFTAR PUSTAKA
Adinugroho, S., Sari, Y. A., 2018.
Implementasi Data Mining Menggunakan Weka. Malang: UB Press.
Alodokter, 2014. Kanker payudara. [online]
Tersedia di:<
https://www.alodokter.com/kanker- payudara> [Diakses 25 Agustus 2018].
Cao, J., Lin, Z., Huang, G. & Liu, N., 2012.
Voting based extreme learning machine. Informaton Sciences, 185, p.66-77.
Ding, S., Zhao, H., Zhang, Y. & Nie, R., 2015.
Extreme Learning Machine: Algorithm, Theory and Applications. Artif Intell, 44, p.103-115.
Fadilla, I., Adikara, P. P., & Perdana, R. S., 2018. Klasifikasi Penyakit Chronic Kidney Disease (CKD) Dengan Menggunakan Metode Extreme Learning Machine (ELM). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(10), p.3397-3405.
Ginting, S. E. B., Widodo, A. W., & Adikara, P. P., 2018. Voting Based Extreme Learning Machine dalam Klasifikasi Computer Network. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(6), p.2158-2167.
Huang, G., Huang, G-.B., Song, S., & You, K., 2015. Trends in Extreme Learning Machines: A Review. Neural Networks, 61, p.32-48.
Junaidi, I., 2014. Hidup Sehat Bebas Kanker – Mewaspadai Kanker Sejak dari Dini.
Yogyakarta: Rapha Publishing.
Liputan6, 2016. Lovepink dan Pinkvoice Ajak Masyarakat Bicarakan Bahaya Kanker Payudara. [online] Tersedia di:<
https://www.liputan6.com/lifestyle/read/3 658704/lovepink-dan-pinkvoice-ajak- masyarakat-bicarakan-bahaya-kanker- payudara> [Diakses 15 Oktober 2018]
Patricío, M., Pereira, J., Crisóstomo, J., Metafome, P., Gomes, M., Seiça, R., &
Caramelo, F., 2018. Using Resistin, glucose, age and BMI to predict the presence of breast cancer. Informaton Sciences, 185, 66-77.
Patricío, M., Pereira, J., Crisóstomo, J., Metafome, P., Gomes, M., Seiça, R., &
Caramelo, F., 2018. Breast Cancer Coimbra Data Set. UCI Machine Learning [online] Tersedia melalui: UCI Machine Learning Repository <
https://archive.ics.uci.edu/ml/datasets/Bre ast+Cancer+Coimbra> [Diakses 11 Juli 2018]
Pusat Data dan Informasi Kementrian Kesehatan Republik Indonesia, 2016.
Infodatin: Bulan Peduli Kanker Payudara. [pdf] Kementerian Kesehatan .
Tersedia di: <
http://www.depkes.go.id/download.php?fi le=download/pusdatin/infodatin/InfoDatin
%20Bulan%20Peduli%20Kanker%20Pay udara_2016.pdf> [Diakses 21 Agustus 2018]
Shenouda, E., 2006. A Quantitative Comparison of Different MLP Activation Functions in Classification. Advances in Neural Networks – ISNN 2006, 3971, p.849-857.
Sugianto, N. A., Cholissodin, I., & Widodo, A.
W., 2018. Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine dan Particle Swarm Optimization untuk Seleksi Fitur. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(5), p.1856-1865.
Wang, H., Zheng, B., Yoon, S. W., & Ko, H.
S., 2018. A Support Vector Machine- Based Ensemble Algorithm For Breast Cancer Diagnosis. European Journal of Operational Research, 267, p.687-699.
WHO, 2018. Breast Cancer. [online] Tersedia di:<
http://www.who.int/cancer/prevention/di agnosis-screening/breast-cancer/en/>
[Diakses 15 Oktober 2018]
