Fakultas Ilmu Komputer
Universitas Brawijaya 5616
Optimasi Bobot Awal Extreme Learning Machine menggunakan Algoritme Genetika untuk Klasifikasi Penanganan Human Papilloma Virus
Rizki Ramadhan1, Wayan Firdaus Mahmudy2
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1rizki2500@gmail.com, 2wayanfm@ub.ac.id
Abstrak
Human Papilloma Virus adalah virus penyebab penyakit kutil pada manusia. Banyak sekali jenis penanganan virus ini, jenis penanganan yang umum adalah immunotherapy dan cryotherapy. Parameter gejala-gejala yang muncul pada penderita hampir mirip sehingga diperlukan penentuan penanganan secara tepat. Didasarkan hal tersebut, maka pada penelitian ini digunakan metode Extreme Learning Machine untuk mengklasifikasi jenis penanganan Human Papilloma Virus. Parameter gejala yang digunakan terdapat 6 parameter dan kelas yang digunakan adalah immunotherapy dan cryotherapy.
Dalam penelitian ini, bobot awal pada Extreme Learning Machine dioptimasi oleh Algoritme Genetika kemudian bobot tersebut digunakan oleh metode Extreme Learning Machine untuk proses klasifikasi jenis penanganan Human Papilloma Virus. Jumlah data yang digunakan sebanyak 118 data dengan rasio data untuk proses latih dan uji adalah 80:20. Parameter Extreme Learning Machine yang digunakan adalah hidden neuron berjumlah 10 node serta fungsi aktivasi yang dipakai adalah sigmoid biner. Hasil pengujian memperoleh tingkat akurasi terbaik klasifikasi sebesar 100% untuk kelas cryotherapy dan 100% untuk kelas immunotherapy pada 3 dari 10 kali percobaan dengan rata-rata waktu komputasi selama 350,3 detik menggunakan bobot awal yang telah dioptimasi oleh Algoritme Genetika dengan parameter terbaik ukuran populasi 70, jumlah generasi 160, crossover rate 0,9 dan mutation rate 0,1.
Kata kunci: human papilloma virus, klasifikasi, extreme learning machine, bobot awal, algoritme genetika Abstract
Human Papilloma Virus is a virus that causes warts in humans. There are so many types of treatment for this virus, the most common types of treatment are immunotherapy and cryotherapy. The symptoms that appear in the patient are almost similar, so that proper handling is needed. Based on this, the Extreme Learning Machine method is used to classify the types of treatment of Human Papilloma Virus.
The symptom parameters used were 6 parameters and the classes used were immunotherapy and cryotherapy. In this research, the initial weight of the Extreme Learning Machine was optimized by Genetic Algorithm and then the weight was used by the Extreme Learning Machine method for the classification process of the types of treatment of the Human Papilloma Virus. The amount of data used is 118 data with the data ratio for the training process and the test process is 80:20. The Extreme Learning Machine parameters used are 10 hidden neurons and binary sigmoid activation functions. The test results obtained the best classification accuracy level of 100% for both treatment, cryotherapy and immunotherapy from 3 of 10 testing with an average computation time of 350,3 seconds using the initial weight which was optimized by the Genetic Algorithm with the best parameter population size of 70, the number generations of 160, the crossover rate of 0.9 and the mutation rate of 0.1.
Keywords: human papilloma virus, classification, extreme learning machine, initial weight, genetic algorithm
1. PENDAHULUAN
Virus yang sering ditemukan pada penyakit menular seksual adalah Human Papilloma Virus (HPV), penyakit ini berperan dalam proses pembentukan sel kanker. HPV ditularkan dari
kontak seksual dan bisa juga faktor keturunan dari orang tua (Setiawati, 2014). Menurut Setiawati (2014) terdapat 130 jenis HPV, salah satunya penyakit yang terkategori tumor jinak yaitu penyakit mata ikan dan kutil.
Terdapat 2 jenis penanganan penyakit kutil
Fakultas Ilmu Komputer, Universitas Brawijaya
yang disebabkan oleh HPV yaitu imunnotherapy dan cryotherapy (Khozeimeh, et al., 2017).
Untuk beberapa kasus, HPV memiliki gejala yang berbeda-beda sehingga dokter memerlukan waktu dalam proses menentukan penanganan yang tepat. Untuk itu diperlukan sebuah solusi yang cepat dan tepat dalam menentukan penanganan penyakit HPV yaitu dengan menggunakan algoritme klasifikasi yang cepat dan handal.
Metode Extreme Learning Machine (ELM) adalah modifikasi dari metode jaringan syaraf tiruan yang telah ada. Metode ini memiliki kelebihan yaitu cepatnya waktu komputasi pada proses training dan meskipun terdapat penambahan variabel, performa ELM tidak berkurang (Alfiyatin, et al., 2019). Pada proses awal metode ini, terdapat bobot awal/input dan bias di antara input neuron dan hidden neuron, nilai bobot awal dan bias ini ditentukan secara acak. Hal ini merupakan kelemahan metode ELM karena nilai bobot awal pada metode Neural Network masih menggunakan nilai acak sehingga membuat kinerja dan hasil dari Neural Network menjadi tidak maksimal (Saragih, et al., 2018).
Pada penelitian sebelumnya, Waskito (2018) melakukan penelitian dengan metode ELM untuk klasifikasi penanganan penyakit HPV menggunakan hidden neuron 10 memperoleh akurasi 70,8%. Hasil tersebut dapat lebih maksimal jika dilakukan optimasi seperti penelitian yang dilakukan oleh Chandra (2018) tentang optimasi bobot ELM dengan algoritme genetika dalam klasifikasi mengenai penentuan kualitas air sungai dengan mengoptimasi hanya bobot awalnya saja dan seletah itu dilakukan klasifikasi menggunakan ELM dengan menghasilkan nilai akurasi sebesar 88,0002%, meningkatkan akurasi sebesar 0,1102% dari yang sebelumnya tanpa optimasi sebesar 87,89%. Berdasarkan penelitian-penelitian tersebut membuktikan bahwa bobot awal/bobot input yang dibangkitkan secara acak merupakan kelemahan pada ELM karena membuat hasil akurasinya menjadi tidak bagus dan perlu dilakukan optimasi. Sehingga pada penelitian ini algoritme genetika akan digunakan untuk membangkitkan bobot awal/bobot input saja, kemudian proses perhitungan selanjutnya dilakukan oleh metode ELM dengan menggunakan bobot awal yang telah dihasilkan algoritma genetika.
Algoritme genetika merupakan metode yang menirukan proses evolusi yang diusulkan
oleh Darwin. Algoritme ini menghasilkan generasi berkualitas dengan melakukan pemilihan kromosom yang memilki kualitas baik. Selain itu, dalam memecahkan pemasalahan yang rumit diperlukan metode dengan ruang pencarian solusi yang luas.
Algoritme Genetika telah terbukti sebagai metode metaheuristic yang kuat untuk memecahkan berbagai permasalahan kompleks dengan ruang pencarian yang besar (Mahmudy, 2014). Oleh karena itu berkaca dari penelitian Waskito (2018) tersebut, pada penelitian ini guna meningkatkan akurasi klasifikasi pada ELM dalam penanganan Human Palilloma Virus, dilakukan optimasi bobot awal pada ELM menggunakan teknik optimasi yaitu algoritme genetika.
2. HUMAN PAPILLOMA VIRUS
Human Papilloma Virus (HPV) adalah virus yang sering ditemukan pada penyakit menular seksual, virus ini berperan dalam proses pembentukan sel kanker. Menurut Khozeimeh et al. (2017) berdasarkan data rumah sakit Ghaem di Iran, penyakit yang sering diderita oleh pasien diantaranya adalah kutil maupun mata ikan dimana keduanya penyakit ini disebabkan oleh HPV. Penyakit tersebut ditangani dengan cara antara lain immunotherapy, ineksi bleomycin, cryotherapy, pembedahan, dan masih banyak lagi. Tetapi penanganan yang umum adalah dengan cara immunotherapy dan cryotherapy.
2.1. Immunotherapy
Salah satu penanganan pada penyakit yang disebabkan oleh HPV yaitu Immunotherapy.
Metode ini ditemukan pada tahun 1970-an untuk penyembuhan kanker melanoma dan kandung kemih dengan menggunakan agen imun cytokine namun memiliki efek samping yang besar dan seiring mempelajari respon imun, metode ini terus dikembangkan. Beberapa tipe Immunotherapy seperti cytokine, vaccines, cell therapies, dan transfection bekerja dengan cara merangsang kekebalan tubuh untuk melawan penyakit-penyakit seperti kanker. Metode immunotherapy merangsang beberapa sistem kekebalan pada tubuh manusia dan penggunaan metode ini terbukti ampuh untuk penanganan penyakit yang disebabkan oleh HPV.
2.2. Cryotherapy
Cryotherapy merupakan metode penanganan HPV dengan cara menyiramkan
nitrogen cair langsung ke area yang terkena infeksi HPV. Metode ini juga biasa disebut dengan freezing treatment, karena penggunaan nitrogen cair tersebut. Cryotherapy menggunakan suhu di bawah nol untuk menghancurkan jaringan kulit yang terinfeksi HPV dan mempunyai efek samping sangat menyakitkan seperti lepuh pada kulit, komplikasi akhir hipopigmentasi, dan hiperpigmentasi terutama pada kulit hitam.
3. EXTREME LEARNING MACHINE ELM adalah metode yang dihasilkan dari metode Artificial Neural Network yang telah dikembangkan. Metode ELM adalah jawaban dari permasalahan metode feedforward JST yang mempermasalahkan waktu pembelajaran.
Metode ELM yang memiliki satu hidden layer dan nilai parameter yang keduanya dibangkitkan dengan cara random menghasilkan prediksi yang lebih stabil serta memakan waktu yang umumya lebih cepat (Huang, et al., 2004). Arsitektur metode ELM ditunjukkan pada Gambar 1.
Gambar 1. Arsitektur metode ELM
Langkah-langkah pada algoritme ELM adalah sebagai berikut (Huang, et al., 2004):
1. Menginisialisasi bobot awal dan bias. Nilai bobot (𝑊𝑗𝑘) ditentukan dengan cara random dalam rentang antara -1 sampai 1 sebanyak j x k dengan j yaitu banyaknya hidden neuron sedangjan k yaitu banyaknya input neuron dan nilai bias (b) dibangkitkan dalam rentang 0 sampai 1 sebanyak 1 x j.
2. Menghtung matriks output hidden layer menggunakan Persamaan 1.
𝐻𝑖𝑛𝑖𝑡 = 𝑋(𝑖)𝑊(𝑖)𝑇+ 𝑏(𝑖) (1) Keterangan:
𝑋(𝑖) =data input ke-i
𝑊(𝑖)𝑇 =bobot input yang di-transpose ke-i 𝑏(𝑖) =nilai bias ke-i
Kemudian hitung matriks Hinit menggunakan fungsi aktivasi sigmoid biner.
Hasil dari proses ini adalah matriks pemetaan dari matriks Hinit yang diperoleh dengan fungsi aktivasi sigmoid biner yaitu fungsi non linier dengan nilai antara 0 sampai 1.
Perhitungan proses aktivasi sigmoid biner didapatkan pada Persamaan 2.
𝐻 = 1
1+exp (−𝐻𝑖𝑛𝑖𝑡) (2)
3. Menghitung invers MoorePenrose memakai Persamaan 3.
𝐻†= (𝐻𝑇. 𝐻)−1. 𝐻𝑇 (3) 𝐻† =Matriks Moore-Penrose
𝐻 =Matriks output hiddenlayer
𝐻𝑇 =Matriks output hidden layer yang di- transpose
4. Menghitung bobot akhir (Persamaan 4).
𝛽̂ = 𝐻†𝑇 (4)
Keterangan:
𝛽̂ =Matriks output bobot 𝐻† =Matriks Moore-Penrose 𝑇 =Matriks kelas data latih
5. Menghitung hasil klasifikasi(Persamaan 5).
𝑌̂ = 𝐻𝛽̂ (5)
Keterangan:
𝑌̂ =Hasil klasifikasi
𝐻 =Matriks output hidden layer 𝛽̂ =Matriks output bobot
Proses ELM ini dilakukan dalam dua bagian. Bagian pertama adalah bagian pelatihan yang meliputi langkah 1 sampai langkah 4.
Bagian kedua adalah bagian pengujian dengan menggunakan langkah 1 sampai langkah 3. Pada langkah 3 ini diperoleh matriks H menggunakan Persamaan 2.3 dan dilanjutkan ke langkah 5 menggunakan Persamaan 2.5 dengan matriks bobot akhirnya diporelah dari tahap pelatihan sebelumnya.
4. ALGORITME GENETIKA
Algoritme genetika adalah algoritme yang mampu memecahkan kebanyakan masalah optimasi yang kompleks mulai dari permasalahan di bidang ekonomi, biologi, sosiologi, fisika, dan sebagainya (Mahmudy, 2015). Algoritme ini menggunakan prinsip evolusi makhluk hidup yaitu seleksi alam yang merupakan konsep utama pada algoritme ini untuk menyelesaikan suatu masalah. Charles
Fakultas Ilmu Komputer, Universitas Brawijaya
Darwin mengemukakan bahwa individu- individu jika digabungkan maka individu selanjutnya akan menurunkan sifat induknya dan penggabungan tersebut memungkinkan menghasilkan kualitas individu yang lebih baik.
Selain itu, individu yang bisa beradaptasi dengan lingkungannya memiliki kesempatan hidup yang besar dibanding individu yang lain. Langkah- langkah umum algoritme genetika ditunjukkan pada Gambar 2.
Gambar 2. Langkah-langkah algoritme genetika Sumber: (Mahmudy, 2015)
4.1. Representasi Kromosom
Kromosom adalah susunan atas beberapa gen yang merepresentasikan suatu solusi permasalahan. Terdapat beberapa representasi kromosom yaitu representasi biner, representasi pengkodean riil (real code), serta representasi permutasi. Pada dasarnya, dalam menggunakan representasi kromosom tergantung permasalahan yang ingin diselesaikan, misalkan permasalahan optimasi fungsi non linier menggunakan representasi real code karena dapat menjangkau daerah solusi apabila range solusi pada daerah kontinyu(Mahmudy, 2015).
Lebih jelas mengenai representasi kromosom dapat dilihat pada Gambar 3.
Individu A 2,34 1,3 0,43
Individu B 0,17 0,21 0,45
Gambar 3. Contoh representasi kromosom real code
4.2. Reproduksi
Reproduksi adalah tahapan dalam mendapatkan anak atau nama lainnya offspring dari parent-nya. Terdapat dua metode reproduksi yang digunakan pada algoritme genetika, yaitu crossover dan mutasi. Metode reproduksi crossover dan mutasi dapat dikembangkan kembali, satu diantaranya yaitu extended intermediate crossover dan random
mutation.
Proses crossover melibatkan dua individu dan individu tersebut dipilih dengan cara random. Kemudian keduanya dilakukan proses persilangan gen. Proses crossover ditunjukkan pada Persamaan 6.
𝑂1 = 𝐼1 + 𝛼(𝐼2 − 𝐼1)
𝑂2 = 𝐼2 + 𝛼(𝐼1 − 𝐼2) (6)
Keterangan:
O1 = offspring ke-1 O2 = offspring ke-2 I1 = parent(induk) ke-1 I2 = parent(induk) ke-2
𝛼 = nilai acak antara [-0,25;1,25]
Proses mutasi melibatkan satu individu yang dipilih dengan cara random. Selanjutnya dari individu tersebut dipilih 1 gen dengan cara random untuk diubah nilainya. Proses mutasi dilakukan agar menjaga populasi tetap beragam (Mahmudy, 2015). Proses mutasi ditunjukkan pada Persamaan 7.
𝑔𝑒𝑛′= 𝑔𝑒𝑛 + 𝑟(𝑚𝑎𝑥𝑖− 𝑚𝑖𝑛𝑖) (7) Keterangan:
𝑔𝑒𝑛′ = gen baru yang telah dimutasi 𝑔𝑒𝑛 = gen lama pada suatu individu 𝑟 = nilai antara [-0,1;0.1]
𝑚𝑎𝑥𝑖 = nilai tertinggi pada gen 𝑚𝑖𝑛𝑖 = nilai terendah pada gen
4.3. Evaluasi
Pada proses evaluasi, individu yang telah melakukan proses reproduksi selanjutnya akan diukur nilai kualitasnya atau disebut fitness.
Nilai fitness merupakan acuan untuk mengukur kualitas individu (Mahmudy, 2015). Apabila nilai fitness suatu individu semakin besar berarti akan lebih baik pula kualitas individunya, begitu pula sebaliknya. Proses evaluasi yang digunakan dalam penelitian ini adalah tingkat akurasi dari hasil klasifikasi ELM ditunjukkan pada Persamaan 8.
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝐸𝐿𝑀 (8)
4.4. Seleksi
Pada proses seleksi, individu-individu terbaik diseleksi dengan melihat apakah individu tersebut dapat bertahan hidup untuk melanjutkan ke generasi berikutnya. Terdapat banyak metode dalam melakukan seleksi, salah satunya adalah
elitism selection. Pada metode elitism selection dilakukan seleksi dengan memperhatikan nilai fitness terbaik di antara individu yang dihasilkan, kemudian individu dengan fitness terbaiklah yang diambil sebanyak ukuran populasi untuk melakukan reproduksi pada fase berikutnya (Mahmudy, 2015).
5. METODE
Langkah-langkah penelitian ditunjukkan pada Gambar 4 dan Gambar 5.
Gambar 4. Flowchart metode ELM
Penjelasan Gambar 4:
1. Masukan berupa data penanganan HPV dan bobot input yang diperoleh dari proses algoritme genetika.
2. Inisialisasi parameter awal berupa jumlah hidden neuron dan nilai bias.
3. Melakukan normalisasi data.
4. Perhitungan training memperoleh bobot akhir.
5. Perhitungan testing, hasil bobot output pada proses training dipakai untuk menentukan label kelas data uji.
6. Keluaran berupa hasil klasifikasi dan nilai akurasi.
Gambar 5. Flowchart algoritme genetika
Penjelasan Gambar 5:
1. Masukan berupa ukuran populsi, jumlah generasi, dan cr mr.
2. Inisialisasi populasi awal sebanyak jumlah populasi.
3. Melakukan perulangan hingga memenuhi kondisi jumlahgenerasi, melakukan proses reproduksi, evaluasi, dan seleksi.
4. Pada proses evaluasi, perhitungan ELM pada Gambar 4 dilakukan kemudian hasil akurasinya menjadi nilai fitness.
5. Setelah perulangan selesai, keluaran berupa individu terbaik.
6. PENGUJIAN DAN PEMBAHASAN Pengujian dilakukan dengan rasio data
Fakultas Ilmu Komputer, Universitas Brawijaya
80:20, parameter ELM yang digunakan adalah hasil terbaik penelitan terdahulu.
6.1. Pengujian Ukuran Populasi
Pengujian ini diuji untuk mencari nilai yang memperoleh nilai fitness optimal. Terdapat 10 variasi ukuran populasi untuk dilakukan pengujian. Parameter awal yang digunakan merupakan hasil pengujian parameter terbaik pada penelitian yang dilakukan oleh Chandra (2018) mengenai optimasi bobot Awal ELM menggunakan algoritme genetika pada kasus penentuan kasus kualitas air sungai. Parameter awal berupa jumlah generasi senilai 20, nilai cr senilai 0,5 dan mr senilai 0,5. Gambar 6 menampilkan hasil pengujian.
Gambar 6. Grafik pengujian ukuran populasi Gambar 6 menampilkan rata-rata fitness terbaik secara umum akurasi mengalami peningkatan, nilai fitness ukuran populasi 10 sampai 50 mengalami peningkatan dari 0,909 hingga 0,945 dan ukuran populasi 70 sampai 100 nilai fitness tidak bisa lebih baik lagi dengan nilai 0,950. Pada rata-rata fitness terlihat fluktuatif tetapi cenderung mengalami peningkatan nilai fitness seiring dengan bertambahnya ukuran populasi. Jika ukuran populasi sedikit maka kemampuan eksplorasi algoritme genetika tidak optimal dan masih banyak individu belum menjangkau area yang optimum sehingga rata-rata fitness yang dihasilkan rendah. Berdasarkan dari hasil pengujian tersebut, semakin banyak nilai ukuran populasi maka kemampuan eksplorasi algoritme genetika meningkat dan bisa mendapatkan solusi terbaik, namun hal ini memengaruhi waktu komputasi sehingga proses perhitungan menjadi lama (Mahmudy, 2015). Pada ukuran populasi
70-100, nilai fitness terbaik adalah 0,950 dan tidak bisa lebih baik lagi sehingga ukuran populasi terbaik yang diambil adalah 70.
6.2. Pengujian Jumlah Generasi
Pengujian ini diuji untuk mencari nilai yang memperoleh nilai fitness optimal. Terdapat 10 variasi kelipatan 20 jumlah generasi untuk dilakukan pengujian. Parameter lain yang digunakan adalah hasil terbaik sebelumnya.
Gambar 7 menampilkan hasil pengujian.
Gambar 7. Grafik pengujian jumlah generasi Gambar 7 menampilkan peningkatan jumlah generasi membuat nilai fitness meningkat juga pada rata-rata fitness terbaik, nilai fitness pada jumlah generasi 20 hingga 40 mengalami peningkatan dari 0,941 hingga 0,955. Kemudian pada generasi 40 hingga 160 nilai fitness meningkat dari 0,955 hingga 0,959 dan pada jumlah generasi 160 hingga 200 nilai fitness tidak bisa lebih baik lagi dengan nilai 0,959.
Pada rata-rata fitness juga mengalami peningkatan seiring dengan bertambahnya jumlah generasi. Jika jumlah generasi sedikit maka kemampuan eksplorasi algoritme genetika tidak optimal dan masih banyak individu belum menjangkau area yang optimum sehingga menghasilkan nilai rata-rata fitness yang rendah.
Berdasarkan dari hasil pengujian tersebut, makin banyaknya jumlah generasi maka kemampuan eksplorasi algoritme genetika meningkat dan bisa mendapatkan solusi terbaik, namun hal ini memengaruhi waktu komputasi sehingga proses perhitungan menjadi lama (Mahmudy, 2015).
Pada jumlah generasi 160 hingga 200, nilai fitness terbaik adalah 0,959 dan tidak bisa lebih baik lagi sehingga jumlah generasi terbaik yang
diambil adalah 160.
6.3. Pengujian Kombinasi cr dan mr
Pengujian ini diuji untuk mencari nilai yang memperoleh nilai fitness optimal. Terdapat 9 variasi kombinasi yang berbeda untuk dilakukan pengujian. Kombinasi dimulai dari 0,1;0,9 hingga 0,9;0,1. Parameter lain yang digunakan dan nilainya berdasarkan hasil terbaik sebelumnya. Gambar 8 menampilkan hasil pengujian.
Gambar 8. Grafik pengujian ukuran populasi Pada Gambar 8 nilai fitness yang dihasilkan beragam. Pada kombinasi 0,1;0,9, 0,2;0,8 dan 0,3;0,7 memiliki rata-rata fitness (grafik merah) yang lebih rendah dari kombinasi lainnya. Hal ini disebabkan oleh nilai mr yang lebih tinggi dari cr sehingga memungkinkan algoritme genetika memiliki kemampuan eksplorasi dan diversitas populasi (tingkat keberagaman) yang lebih tinggi sedangkan nilai cr lebih rendah membuat kemampuan eksploitasinya rendah dan menyebabkan ruang pencarian tidak efektif dieksploitasi (Mahmudy, 2015). Oleh karena itu, nilai mr yang lebih besar dari cr membuat tiap individu dalam populasi memiliki solusi yang beragam sehingga rata-rata fitness akan berbeda jauh dari nilai rata-rata fitness terbaiknya.
Sebaliknya jika nilai mr lebih kecil dari nilai cr, kemampuan eksploitasinya lebih tinggi daripada eksplorasinya membuat populasi memiliki tingkat diversitas yang rendah karena individu cenderung memiliki kemiripan yang tinggi dari parent-nya dan memungkinkan algoritme genetika konvergensi dini (Mahmudy, 2015).
Kombinasi terbaik yang diambil adalah 0,9;0,1 karena selain rata-rata fitness terbaik tertinggi dengan nilai 0,9682, nilai rata-rata fitness-nya
(grafik merah) memiliki nilai yang tidak terlalu berdekatan dengan nilai rata-rata fitness terbaiknya (grafik biru) sehingga dapat disimpulkan bahwa diversitas populasi masih terjaga.
6.4. Pengujian Parameter Terbaik
Parameter terbaik yang dipakai antara lain popSizesenilai 70 dan jumlah generasi 160 dan kombinasi cr dan mr senilai 0,9 dan0,1. Hasil bobot awal setelah dioptimasi ditampilkan pada Tabel 1.
Tabel 1. Bobot awal yang sudah dioptimasi Hidde
n neuro n ke-i
Input neuron ke-j
1 2 3 4 5 6
1 0.612 0.083 0.038 0.246 -
0.546 0.703
2 0.026 -
0.210 1.065 - 0.432
-
0.804 1.054 3 0.083 0.070 0.161 0.957 0.382 0.085
4 0.357 -
0.234 0.604 0.231 - 0.150
- 0.269
5 0.013 0.288 -
0.040 0.505 0.387 0.331
6 -
0.398 0.210 - 0.081
- 0.662
-
0.362 0.411
7 -
0.343 0.595 - 0.162
-
0.232 0.188 - 0.446
8 -
0.164 -
0.060 0.880 - 0.092
-
0.616 0.171 9 0.857 0.062 0.698 0.116 -
0.528 - 0.289
10 0.000 -
0.272 -
1.161 0.172 0.001 - 0.265
Bobot awal yang ditampilkan pada Tabel 1 digunakan untuk klasifikasi ELM. Hasil klasifikasi ELM menggunakan bobot awal teroptimasi dan bobot awal secara random ditampilkan pada Tabel 2.
Tabel 2. Hasil klasifikasi ELM
Bobot awal Cryotherapy Immunotherapy Waktu Dengan
Optimasi 100% 100% 357 detik
Tanpa
Optimasi 40% 100& 0.02 detik
Hasil klasifikasi ditunjukkan pada Tabel 2.
Terlihat hasil klasifikasi menggunakan ELM dengan bobot awal secara acak menghasilkan akurasi 40% pada cryotherapy dan 100% pada immunotherapy dengan waktu komputasi selama 0,02 detik. Sedangkan dengan bobot awal yang
Fakultas Ilmu Komputer, Universitas Brawijaya
sudah dioptimasi, ELM mampu memperoleh akurasi 100% dengan waktu komputasi selama 357 detik. Hasil tersebut menunjukkan bahwa untuk memperoleh bobot awal optimal yang menghasilkan akurasi 100% membutuhkan pengorbanan pada proses waktu komputasinya.
7. KESIMPULAN
Penggunaan representasi real code untuk kromosom, random mutation, extended intermediate, dan elitsm selection pada algoritme genetika bisa diterapkan dalam megoptimasi bobot awal pada ELM untuk klasifikasi penanganan HPV.
Parameter terbaik yang diperoleh antara lain popsize = 70, jumlah generasi = 160, cr = 0,9, mr = 0,1. Parameter terbaik tersebut berhasil menghasilkan solusi bobot awal yang optimal dan tingkat akurasi ELM mencapai 100% pada kedua kelas sedangkan tanpa optimasi, ELM hanya menghasilkan 40% pada cryotherapy dan 100% pada immunotherapy. Terdapat peningkatan akurasi sebesar 60% pada kelas cryotherapy namun memerlukan waktu lebih lama yaitu selama 357 detik dibanding ELM dengan tanpa optimasi yang hanya memerlukan waktu selama 0,02 detik.
8. DAFTAR PUSTAKA
Alfiyatin, A.N., Mahmudy, W.F., Ananda, C.F.
& Anggodo, Y.P., 2019. Penerapan Extreme Learning Machine (ELM) untuk Peramalan Laju Inflasi di Indonesia.
Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 2, pp. 179-186.
Alencar, Alisson, S.C., Ajalmar R., & Joao, P.P.G., 2016. A New Pruning Method for Extreme Learning Machine via Genetic Algorithms. Applied Soft Computing 1568-4946.
Chandra, R., Santoso, E., & Adinugroho, S., 2018. Optimasi Metode Extreme Learning Machine Dalam Penentuan Kualitas Air Sungai Menggunakan Algoritme Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 10, p. 3265-327
Huang, 2006. Extreme learning machine:
Theory and applications
Khozeimeh, F., Alizadehsani, R., Roshanzamir, M., Khosravi, A., Layegh, P.,
&Nahavandi, S., 2017. An expert system for selecting wart treatment method.
Mahmudy, W.F., 2015. Dasar-Dasar Algoritme Evolusi. Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya
Saragih, T.H., Mahmudy, W.F., Abadi, A.L., &
Anggodo, Y.P., 2018, Application of extreme learning machine and modified simulated annealing for jatropha curcas disease identification, International Journal of Advances in Soft Computing and its Applications, vol. 10, no. 2, pp.
108-119.
Setiawati, D., 2014. Human Papilloma Virus dan Kanker Serviks. S1. Universitas Islam Negeri Alauddin.
Waskito, S., Cholissodin, I., & Santoso, E., 2018. Implementasi Algoritme Extreme Learning Machine (ELM) Untuk Klasifikasi Penanganan Human Papilloma Virus (HPV). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 1, p. 84-89
