Fakultas Ilmu Komputer
84
Implementasi Algoritme
Extreme Learning Machine
(ELM) Untuk
Klasifikasi Penanganan
Human Papilloma Virus
(HPV)
Stefanus Bayu Waskito1, Imam Cholissodin2 , Edy Santoso3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1kitowas@gmail.com, 2imamcs@ub.ac.id, 3edy144@ub.ac.id
Abstrak
Human Papilloma Virus merupakan virus yang umumnya menyebabkan kutil dan mata ikan. Human Papilloma Virus memiliki metode penanganan yang cukup banyak namun penanganan dengan menggunakan Imunnotherapy dan Cryotherapy. Didasarkan dari banyaknya metode penanganan Human Papilloma Virus makan dilakukan penelitian guna mengklasifikasikan metode penanganan Human Papilloma Virus yang paling tepat berdasarkan parameter gejala yang ada. Pada penelitian dengan menggunakan metode Extreme Learning Machine untuk klasifikasi metode penanganan Human Papilloma Virus dilakukan pengujian untuk mengetahuui pengaruh fungsi aktivasi , jumlah hidden neuron dan rasio data terhadap akurasi dari hasil klasifikas. Selain itu juga dilakukan pengujian terhadap pengaruh jumlah hidden neuron terhadap lama waktu proses klasifikasi. Berdasarkan dari hasil pengujian yang dilakukan, akurasi yang didapatkan sistem dalam klasifikasi metode penanganan Human Papilloma Virus memiliki akurasi yang baik dengan akurasi sebesar 70,8% dengan menggunakan fungsi aktivasi Sigmoid Biner, rasio data latih uji 80:20 dan hidden neuron 10 buah. Selain itu waktu yang diperlukan untuk melakukan klasifikasi berdasarkan parameter terbaik memiliki waktu yang cukup cepat dengan waktu selama 0,043 detik.
Kata kunci: human papilloma virus, klasifikasi, cryotherapy, imunnotherapy, extreme learning machine
Abstract
Human Papilloma is a virus that cause warts ilness. There are several treatment methods, but Immunotherapy and Cryotherapy are considered to be the best method to treat this ilness. However, none of them can heal all patients. Therefore, research to determine which method more appropriate for a certain patient is required. This research use Extreme Learning Machine Algorithm to help classify which method are better for certain patient. A tests is conducted to determine the effects of activation function, number of hidden neuron and and data ratio toward classification accuracy. It was observed that using Binary Sigmoid activation function, 80 testing data to 20 training data ratio, and 10 hidden neuron, the classification accuraccy reach 70,8%. And the classification time spent were relatively fast that is only 0.043 seconds.
Keywords: human papilloma virus, classification, cryotherapy, imunnotherapy, extreme learning machine
1. PENDAHULUAN
Penyakit kutil dan mata ikan penyakit yang disebabkan oleh Human Papilloma Virus yang dapat dikategorikan sebagai tumor jinak. Menurut penelitian yang dilakuakn oleh Khozimeh pada tahun 2017, penyakit kutil dan mata ikan yang disebabkan oleh Human Papilloma Virus memiliki banyak metode
penanganan. Namun pada penelitian tersebut penanganan menggunakan Imunnotherapy dan
Cryotherapy namun tidak menutup kemungkian dapat ditangani dengan metode lainnya. (Khozeimeh, et al., 2017).
gejala yang ditemui. Hal ini menyebabkan dokter memerlukan waktu dalam memilih metode penanganan yang tepat.
Berdasarkan kendala yang ditemui oleh dokter dalam pemilihan metode penanganan
Human Papilloma Virus maka diperlukan sebuah sistem yang mampu membantu dokter dalam pemilihan metode penanganan yang memiliki tingkat akurasi yang tinggi dan waktu proses yang cepat.
Metode Extreme Learning Machine
merupakan bagian dari jaringan syaraf tiruan yang dapat digunakan untuk klasifikasi metode penanganan Human Papilloma Virus. Metode
Extreme Learning Machine memiliki learning rate yang cepat dikarenakan bobot masukan dan bias yang digunakan akan dipilih secara acak menggunakan rentang tertentu. Selain learning rate yang cepat, metode Extreme Learning Machine juga menghasilkan akurasi yang tinggi meskipun dengan jumlah data yang besar (Huang, 2006).
Penelitian yang dilakukan Prakoso yang berjudul “Klasifikasi Sinyal EKG Menggunakan Metode Extreme Learning Machine”
mendapatkan hasil akurasi sebesar 78,94% dengan waktu latih selama 5,71 detik (Prakoso, Wiesty, & Jondri, 2016).
Didasarkan pada keunggulan metode
Extreme Learning Machine dalam klasifikasi dan permasalahan yang ada, penulis melakukan penelitian yang berjudil “Implementasi Algoritme Extreme Learning Machine untuk Klasifikasi Penanganan Human Papilloma Virus”. Harapannya dengan adanya sistem ini
dapat membantu memudahkan dokter dalam memberikan metode penanganan Human Papilloma Virus dengan cepat da tepat berdasarkan gejala yang telah ditemukan.
2. HUMAN PAPILLOMA VIRUS
Human Papilloma Virus merupakan virus yang mengakibatkan kutil dan mata ikan yang dapat dikategorikan sebagai tumor jinak. Pada umumnya kutil dan mata ikan ditemukan pada permukaan kulit tangan dan kaki yang umumnya menjangkit orang yang berusia 1 sampai 30 tahun (Moore, 1998).
Menurut penelitian oleh klinik dermatologi di rumah sakit Ghaem di Mashhad, Iran menyebutkan bahwa penangananinfeksi Human Papilloma Virus memiliki banyak metode penanganan namun immunnotherapy dan
cryotherapy dianggap sebagai metode
penanganan yang paling baik. (Khozeimeh, et al., 2017).
2.1 Immunotherapy
Immunotherapy merupakan sebuah metode bologis yang digunakan nutuk merangasng kekebalan tubuh guna melawan sel kanker, infeksi maupun penyakit lain yang disebabkan oleh Human Papilloma Virus. Penanganan
Humman Papilloma Virus menggunakan metode
Immunotherapy yang dilakukan nantinya hanya akan menyerang sel-sel tubuh yang terkena infeksi dari virus tersebut dimana akan memberikan efek meningkatkan kekebalan sel yang diserang dan membantu melawan infeksi yang ada sehingga sel yang terjangkit Human Papilloma Virus tidak berkembang dan menrambat ke sel sehat lainnya (Thappa, 2016).
2.2 Cryotherapy
Cryotherapy adalah metode penanganan Human Papillma Virus yang sering disebut dengan
frezzing treatment. Penanganan dengan metode
cryotherapy dilakukan dengan menyemprotkan nitrogen cair ke area kutil maupun mata ikan yang disebabkan oleh infeksi Human Papilloma virus. Tujuan dari penyemprotan ke area yang terinfeksi adalah untuk membekukan dan menghancurkan jaringan yang terinfeksi Human Papilloma Virus selama 4 sampai 6 sesi penanganan (Thappa, 2016).
3. EXTREME LEARNING MACHINE
Algoritme Extreme Learning Machine
pertama kali diperkenalkan oleh Huang pada tahun 2004 sebagai penyempurnaan meode
Support Vector Machine. Algoritme ini merupakan bagian dari jaringan syaraf tiruan yang mampu melakukan generalisasi dengan
Gambar 1 Arsitektur Extreme Learning Machine
baik dan dalam waktu yang lebih cepat dibanding dengan metode lainnya (Huang, 2006).
Learning Machine dibuat untuk mengatasi kelemahan feedforward pada jaringan syaraf tiruan terutama dalam hal learning rate.
Parameter yang ada dalam Extreme Learning Machine dalam hal ini bobot masikandan bias akan dipilih secara acak dengan rentang nilai tertentu (Huang, 2006). Pemilihan bobot maupun bias secara acak inilah yang menyebabkan cepatnya waktu learning rate
pada algoritme ini, selain itu juga menghasilkan akurasi yang tinggi meski menggunakan jumlah data yang banyak (Rahma, 2016).
Langkah-langkah algoritme Extreme Learning Machine terbagi menjadi dua yaitu fase latih dan fase uji. Fase latih pada algoritme
Extreme Learning Machine adalah sebagai berikut:
1. Memasukkan nilai bobot masukan (Wi)
dengan rentang nilai -1 samapi 1 dan rentang nilai bias (bi) 0 sampai 1 yang dipilih secara
acak.
2. Menghitung nilai matriks keluaran hidden neuron (Hinit)
3. Menghitung nilai matriks keluaran hidden neuron dengan fungsi aktivasi sigmoid biner
𝐻 = 1+𝑒𝑥𝑝1−𝐻𝑖𝑛𝑖𝑡 (2)
4. Menghitung pseudo-inverse dengan Moore-Penrose
𝐻+= (𝐻𝑇 ∙ 𝐻)−1∙ 𝐻𝑇 (3)
5. Menghitung nilai bobot keluaran
𝛽̂ = 𝐻+∙ 𝑌 (4)
Keterangan : 𝑌 = Matriks target
6. Menghitung nilai Y prediksi
𝑌̂ = 𝐻 ∙ 𝛽̂ (5)
Setelah ditemukannya nilai Y prediksi, nilai tersebut nantinya akan digunakan untuk penentuan kelas dengan melakuakan pencarian nilai terbesar dari setiap datanya. Langkah selanjutnya adalah fase uji yang akan dilakukan sebagai berikut:
1. Menghitung nilai matriks keluaran hidden neuron (𝐻𝑖𝑛𝑖𝑡)
2. Menghitung nilai matriks keluaran hidden neuron dengan fungsi aktivasi sigmoid biner.
𝐻 = 1+𝑒𝑥𝑝1−𝐻𝑖𝑛𝑖𝑡 (7)
3. Menghitung nilai Y prediksi
𝑌̂ = 𝐻 ∙ 𝛽̂ (8)
Keterangan :
𝛽̂ = Nilai bobot keluaran yang didapat dari fase latih
4. IMPLEMENTASI
Implementasi sistem pada penelitian ini terdiri dari empat halaman antarmuka yang terdiri dari halaman data, halaman parameter ELM, halaman hasil latih ELM, dan halaman hasil klasifikasi.
4.1 Antarmuka Halaman Data
Halaman Data berguna untuk menampilkan dataset yang berasal dari masukan berkas
Microsoft Excel(.xls/.xlsx) yang telah dipilih. Pada halaman ini akanmenerima masukan berupa nama sheet dan nama file yang akan digunakan pada proses klasifikasi.
4.2 Antarmuka Halaman Parameter ELM
Pada halaman parameter ELM pengguna sistem dapat memasukkan parameter ELM yaitu jumlah hidden neuron, fungsi aktivasi, dan perbandingan rasio data. Selain itu pada halaman ini akan menampilkan bobot masukan, bias dan data hasil normalisasi setelah tombol proses pada halaman ini ditekan.
Gambar 3 Tampilan Halaman Parameter ELM
4.3 Antarmuka Halaman Hasil ELM
Pada halaman ini akan ditampilkan hasil dari fase latih dan hasil dari fase uji serta nilai akurasi beserta lama waktu proses. Pada tampilan hasil latih ELM akan ditampilkan matriks bobot keluaran 𝛽̂. Sedangkan pada tampilan hasil uji ELM akan ditampilkan nilai prediksi hasil klasifikasi dari data uji dan matriks Y latih.
4.4 Antarmuka Halaman Klasifikasi
Tampilan klasifikasi menampilkan form masukan guna memberi masukan terhadap 6 parameter gejala penyakit akibat Human Papilloma Virus sebelum dilakukannya klasifikasi. Selain form masukan, terdapat pula tampilan hasil klasifikasi berdasarkan hasil perhitungan menggunakan metode Extreme Learning Machine terhadap masukan yang telah dimasukkan sebelumnya.
5. PENGUJIAN
Pengujian dilakukan untuk mengetahui pengaruh-pengaruh perbedaan paramater terhadap akurasi maupun kemampuan sistem yang telah dibuat pada implementasi Extreme Learning Machine untuk klasifikasi penanganan
Human Papilloma Virus.
Pada pengujian yang dilakukan bobot masukan dan bias akan dibuat secara acak. Nilai bobot masukan memiliki rentang nilai -1 sampai dengan 1 dan nilai bias memiliki rentang antara 0 sampai dengan 1.
5.1 Pengujian Perbandingan Rasio Data
Pengujian ini dilakukan untuk mengetahui pengaruh perbandingan rasio data terhadap akurasi sistem yang telah dibuat terhadap kemampuan Extreme Learning Machine dalam mengenali pola data dan akurasi yang dihasilkan pada proses latih..
Gambar 4 Tampilan Halaman Hasil ELM
Pengujian ini menggunakan hidden neuron
sebanyak 10 dan fungsi aktivasi Sigmoid Biner
Pada pengujian ini terdapat 9 jenis perbandingan data latih dan data uji yaitu 90%:10%, 80%:20%, 70%:30%, 60%:40, 50%:50%, 40%:60%, 30%:70%, 20%:80%, 10%:90. Pengujian ini dilakukan sebanyak 10 kali, berikut ini merupakan hasil pengujian perbandingan rasio data.
Berdasarkan pengujian yang dilakukan menunjukkan bahwa penggunaan perbandingan rasio data latih dan data uji 80:20 memiliki nilai akurasi terbaik dengan nilai akurasi sebesar 70,8%.
5.2 Pengujian Pengaruh Hidden Neuron
Pengujian ini dilakukan untuk mengetahui pengaruh jumlah hidden neuron terhadap akurasi sistem yang telah dibuat. Pengujian ini menggunakan fungsi aktivasi Sigmoid Biner dan rasio data latih dengan uji adalah 80:10.
Pada pengujian ini dilakukan merubah jumlah hidden neuron dengan nilai 1, 3, 5, 20, 30, 50, 100, 150, dan 200 dengan 10 kali pengujian dan diambil nilai rataan terbaik. Penggunaan 10 hidden neuron memberikan nilai akurasi tertinggi dengan nilai akurasi sebesar 69,1% dan nilai akurasi didapat pada penggunaan 1 hidden neuron dengan nilai akurasi sebesar 39,3%
Gambar 6 Hasil pengujian pengaruh jumlah hidden neuron terhadap akurasi
5.3 Pengaruh Jumlah Hidden Neuron Terhadap Waktu Proses
Pengujian ini dilakukan untuk mengetahui pengaruh jumlah hidden neuron terhadap lama waktu proses Extreme Learning Maching yang telah diimplementasikan. Pada pengujian pengaruh jumlah hidden neuron terhadap lama waktu proses menggunakan fungsi aktivasi
Sigmoid Biner dan rasio data latih dengan uji adalah 80:20.
Berdasarkan pengujian yang telah dilakukan, penggunaan 1 hidden neuron
menghasilkan waktu proses tercepat yakni dengan waktu selama 0,017 detik.
5.4 Pengujian Pengaruh Fungsi Aktivasi
Pengujian ini dilakukan untuk mengetahui pengaruh fungsi aktivasi terhadap akurasi
Extreme Learning Machine yang telah diimplementasikan. Pengujian ini dilakukan dengan membandingkan 7 fungsi aktivasi yang berbeda. Fungsi aktivasi yang diujikan adalah
Sigmoid Biner, Linear, Sin, Radial Basis,
Sigmoid Bipolar, Hard Limit, dan Triangular Basis.
Pengujian akan dilakukan sebanyak 10 kali dengan menggunakan rasio data latihdengan data uji 80:20 dan 10 hidden neuron. Berdasarkan pengujian yang telah dilakukan pengujian menggunakan fungsi aktivasi linear
memiliki nilai akurasi sertinggi dengan akurasi sebesar 75%.
.
Gambar 7 Hasil Pengujian Pengaruh Jumlah Hidden Neuron Terhadap Waktu Proses
Gambar 8 Hasil pengujian pergaruh fungsi aktivasi terhadap akurasi
6. KESIMPULAN DAN SARAN
Berdasarkan implementasi, pengujian dan alaisis algoritme Extreme Learning Machine
untuk klasifikasi penanganan Human Papilloma Virus dapat ditarik kesimpulan bahwa:
1. Algoritme Extreme Learning Machine
dapat diterapkan untuk klasifikasi penanganan Human Papilloma Virus. 2. Algoritme Extreme Learning Machine
memiliki akurasi sebesar 70,8% dengan menggunakan rasio data latih dan data uji 80:20 dengan menggunakan fungsi aktivasi sigmoid biner dan 10 hidden neuron.
7. DAFTAR PUSTAKA
Azad, F. J., Mahboubi, Y., & Khozeimeh, F. (2017). Intralesional immunotherapy compared to cryotherapy in the treatment of warts. International Journal of Dermatology.
Cholissodin, I. (2016). Modul Big Data Filkom. Christy, M., Adikara, P. P., & SetyaPerdana, R.
(2017). Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM).
Huang. (2006). Extreme learning machine: Theory and applications.
Janahiraman, T., & Ahmad, N. (2014). Performance Analysis of ELM-PSO Architectures for Modelling Surface Roughness and Power Consumption in CNC Turning Operation.
Khozeimeh, F., Alizadehsani, R., Roshanzamir, M., Khosravi, A., Layegh, P., & Nahavandi, S. (2017). An expert system for selecting wart treatment method. Moore, S. W. (1998). Griffith’s Instructions For
Patients. Tucson.
Klasifikasi Keadaan Mata Berdasarkan sinyal EEG menggunakan Extreme Learning.
Prakoso, E., Wiesty, U. N., & Jondri. (2016). Klasifikasi Keadaan Mata Berdasarkan sinyal EEG menggunakan Extreme Learning Machines.
Rahma, O. (2016). Implementasi Extreme Learning Machine Sebagai Alat Bantu Klasifikasi Stroke Iskemik Akut dan Normal dengan Metode Brain Symmetry Index.
