PERBANDINGAN METODE DEEP LEARNING DAN MACHINE LEARNING UNTUK KLASIFIKASI (UJICOBA PADA DATA PENYAKIT KANKER PAYUDARA)
DOI:
https://doi.org/10.32832/inova-tif.v1i2.5449Abstrak
PERBANDINGAN METODE DEEP LEARNING DAN MACHINE LEARNING UNTUK KLASIFIKASI (UJI COBA PADA DATA PENYAKIT KANKER PAYUDARA). Penyebab kematian utama di seluruh dunia merupakan penyakit kanker, salah satunya adalah kanker payudara. Faktor penentu penyakit tersebut termasuk kategori ganas atau jinak bisa dilihat dari sembilan faktor utama berdasarkan ciri kanker tersebut. Tujuan dari penelitian ini adalah mendapatkan perbandingan metode yang paling akurat terhadap pengklasifikasian penyakit kanker payudara dan melihat selisih nilai mean square error (MSE) dari metode deep learning dan machine learning serta pencocokan hasil klasifikasi kedua metode dengan pernyataan klasifikasi yang sudah ada sehingga didapatkan nilai perbandingan metode yang paling akurat. Data yang digunakan pada penelitian ini diambil dari UCI Edu, dengan data latih sebanyak 546 data dan data uji sebanyak 137 data. Dari proses pengklasifikasian menggunakan FFNN pada machine learning dan RBM pada deep learning, maka dapat dilihat ada empat (2.92%) data kanker payudara pada proses FFNN yang tidak memenuhi class klasifikasi, sedangkan data yang tidak memenuhi class klasifikasi pada proses RBM ada dua (1.46%) data. Dalam kasus klasifikasi penyakit kanker payudara, akurasi metode machine learning lebih kecil dibandingkan dengan akurasi deep learning dan hasil hipotesa menggunakan uji t menunjukkan bahwa nilai signifikansi (2-tailed) lebih kecil dari α = 0.05 yaitu sebesar 8,68844E-16 yang menandakan bahwa deep learning lebih baik dibandingkan machine learning. Dengan akurasi metode machine learning sebesar 97.0803% dan deep learning sebesar 98.5401%. Nilai MSE pada pengklasifikasian menggunakan FFNN adalah sebesar 0.0814, sedangkan pada RBM sebesar 0.0584
Referensi
Widodo P. Rule-Based Classifier untuk Mendeteksi Penyakit Liver. Bianglala Informatika. 2014. Vol II. No 1.
Rudianto. Penentuan Penyakit Peradangan Hati Dengan Menggunakan Neural Network Backpropagation. Indonesian Journal on Computer Information Technology. 2016. Vol 1. No 1.
Hirak K dkk. Big Data Analitics In Bio Informatics: Machine Learning Perspective. Jurnal of iatex class files. 2014. Vol 13. No 9.
Putra BRD, Kusuma WA, dan Kustiyo A. Klasifikasi khasiat Formla Jamu dengan Metode Deep Belief Network. Makalah Kolokium Program S1 Ilmu Komputer Alih Jenis, Departemen Ilmu Komputer, FMIPA-IPB. 2011.
Ersti Renette, Wisesty Untari Novia, Jonri. Klasifikasi Sinyal EEG Menggunakan Deep Neural Network. Teknik Informatika, Fakultas Teknik, Universitas Telkom.
Pusat data dan informasi. Situasi Penyakit Kanker. Buletin Jendela Pusat Data dan Informasi. 2015. ISSN 2088 - 270X.
Susilawati. Algoritma Restricted Boltzmann Machine (RBM) untuk Pengenalan Tulisan Tangan Angka. Seminar Nasional Teknologi Informatika. Universitas Medan Area. 2017. ISBN:978-602-50006-0-7.
Seonwoo M, Byunghan L, dan Sungroh Y. Deep Lerning in Bioinformatics. Department of Electrical and Computer Engineering, Seoul National University, Seoul 08826, Korea.
Feriante J. Massiveli Multitask Deep Learning for Drug Discovery. Master of science in computer science, university of wisconsin- Madison. 2015.
Diwandari S dan Setiawan NA. Perbandingan Algoritme J48 dan NBTree untuk Klasifikasi Diaognosa Penyakit pada Soybean. Seminar Nasional Teknologi Informasi dan Komunikasi (SENTIKA). Yogyakarta. 2015. ISSN 2089 – 9815.
Saputra RA. Komparasi Algoritma Klasifikasi Data Minning untuk Memprediksi Penyakit Tuberculosis (TB): Studi Kasus Puskesmas Karawang Sukabumi. Seminar Nasional Inovasi dan Tren (SNIT), Proceeding SNIT. 2014. Hal 3.
Fernanda JW. Boosting Neural Network dan Boosting Cart Pada Klasifikasi Diabetes Militus Tipe II. Jurnal Matematika. 2012. Vol 2. No 2.
Sinta R, Gernowo R, dan Suryono. Rancang Bangun Sistem Peramalan Konsumsi Daya Listrik dengan Artificial Neural Network Backpropagation. Jurnal Sistem Informasi Bisnis. 2013.
Beale MH, Hagan MT, dan Demuth HB. MATLAB Neural Network ToolboxTM User's Guide. The MathWorks, Inc. https://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf. Diakses 17 Februari 2018.
Kusumadewi F. Peramalan Harga Emas Menggunakan Feedforward Neural Network Dengan Algoritma Backpropagation. Skripsi. FMIPA, Matematika, Universitas Negeri Yogyakarta. 2014.
Hrasko R, Pacheco AGC, dan Krohlong RA. Time Series Prediction using Restricted Boltzmann Machine and Backpropagation. Procedia Computer Science. Information Technology and Quantitative Management (ITQM). 2015. Hal.55 ISSN 990 – 999
Ghazali G dan Jondri. Peramalan Saham Menggunakan DBM (Deep Belief Networ). Fakultas Informatika, Universitas Telkom, Bandung.
Hansun Seng. Penerapan WEMA dalam Peramalan Data IHSG. Ultimatics. 2013. Vol V. No 2. ISSN 2085 – 4552.
Solikin R, Jusak, dan Sutomo E. Sistem Pakar Diagnosis Penyakit pada Ayam Petelur Menggunakan Metode Certainty Factor. Jurnal Sistem Informatika. 2014. JSIKA. Vol 3. No 2.
Laxmi GF. Optimasi Pemilihan Threshold dan Operator Fuzzy Local Binary Pattern Menggunakan Multi Objective Genetic Algorithm. Tesis, Institut Pertanian Bogor. 2012.
