Implementasi Algoritme Extreme Learning Machine (ELM) Untuk Klasifikasi Penanganan Human Papilloma Virus (HPV)
Vol. 3, No. 1, Januari 2019, hlm. 84-89 http://j-ptiik.ub.ac.id
Implementasi Algoritme Extreme Learning Machine (ELM) Untuk
Klasifikasi Penanganan Human Papilloma Virus (HPV)
1 2 3 Stefanus Bayu Waskito , Imam Cholissodin , Edy SantosoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1
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
machinepenanganan. Namun pada penelitian tersebut 1. penanganan menggunakan Imunnotherapy dan
PENDAHULUAN Cryotherapy namun tidak menutup kemungkian
Penyakit kutil dan mata ikan penyakit yang dapat ditangani dengan metode lainnya. disebabkan oleh Human Papilloma Virus yang (Khozeimeh, et al., 2017). dapat dikategorikan sebagai tumor jinak.
Banyaknya metode yang digunakan untuk Menurut penelitian yang dilakuakn oleh penanganan penyakit yang disebabkan Human Khozimeh pada tahun 2017, penyakit kutil dan
Papilloma Virus menimbulkan permasalahan
mata ikan yang disebabkan oleh Human yaitu dokter harus menentukan metode
Papilloma Virus memiliki banyak metode
penanganan yang palling tepat berdasarkan
Fakultas Ilmu Komputer Universitas Brawijaya
84 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
Support Vector Machine. Algoritme ini
nitrogen cair ke area kutil maupun mata ikan yang disebabkan oleh infeksi Human Papilloma
2.2 Cryotherapy Cryotherapy adalah metode penanganan Human Papillma Virus yang sering disebut dengan frezzing treatment. Penanganan dengan metode cryotherapy dilakukan dengan menyemprotkan
tidak berkembang dan menrambat ke sel sehat lainnya (Thappa, 2016).
Papilloma Virus
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
Humman Papilloma Virus menggunakan metode Immunotherapy
bologis yang digunakan nutuk merangasng kekebalan tubuh guna melawan sel kanker, infeksi maupun penyakit lain yang disebabkan oleh Human Papilloma Virus. Penanganan
2.1 Immunotherapy Immunotherapy merupakan sebuah metode
penanganan yang paling baik. (Khozeimeh, et al., 2017).
Human Papilloma Virus maka diperlukan
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
merupakan bagian dari jaringan syaraf tiruan yang mampu melakukan generalisasi dengan
terinfeksi adalah untuk membekukan dan menghancurkan jaringan yang terinfeksi Human
Papilloma Virus dengan cepat da tepat berdasarkan gejala yang telah ditemukan.
”. Harapannya dengan adanya sistem ini dapat membantu memudahkan dokter dalam memberikan metode penanganan Human
Virus
dan permasalahan yang ada, penulis melakukan penelitian yang berjudil “Implementasi Algoritme Extreme Learning Machine untuk Klasifikasi Penanganan Human Papilloma
Extreme Learning Machine dalam klasifikasi
Didasarkan pada keunggulan metode
” mendapatkan hasil akurasi sebesar 78,94% dengan waktu latih selama 5,71 detik (Prakoso, Wiesty, & Jondri, 2016).
Penelitian yang dilakukan Prakoso yang berjudul “Klasifikasi Sinyal EKG Menggunakan Metode Extreme Learning Machine
meskipun dengan jumlah data yang besar (Huang, 2006).
rate yang cepat, metode Extreme Learning Machine juga menghasilkan akurasi yang tinggi
yang cepat dikarenakan bobot masukan dan bias yang digunakan akan dipilih secara acak menggunakan rentang tertentu. Selain learning
Extreme Learning Machine memiliki learning rate
Metode Extreme Learning Machine merupakan bagian dari jaringan syaraf tiruan yang dapat digunakan untuk klasifikasi metode penanganan Human Papilloma Virus. Metode
sebuah sistem yang mampu membantu dokter dalam pemilihan metode penanganan yang memiliki tingkat akurasi yang tinggi dan waktu proses yang cepat.
virus. Tujuan dari penyemprotan ke area yang
2. HUMAN PAPILLOMA VIRUS
penanganan namun immunnotherapy dan
Papilloma Virus memiliki banyak metode
Menurut penelitian oleh klinik dermatologi di rumah sakit Ghaem di Mashhad, Iran menyebutkan bahwa penangananinfeksi Human
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).
Human Papilloma Virus merupakan virus
Gambar 1 Arsitektur Extreme Learning Machine
baik dan dalam waktu yang lebih cepat dibanding dengan metode lainnya (Huang, 2006).
Metode pembelajaran pada Extreme
cryotherapy dianggap sebagai metode
(4) Keterangan : = Matriks target 6. Menghitung nilai Y prediksi
1 1+ −
̂ = ∙ ̂ (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 ( )
= . + (6)
Keterangan : = Data uji
= Bobot masukan yang di-transpose = Bias 2.
Menghitung nilai matriks keluaran hidden neuron dengan fungsi aktivasi sigmoid biner.
=
(7) 3. Menghitung nilai Y prediksi
Menghitung nilai bobot keluaran ̂ =
̂ = ∙ ̂ (8)
Keterangan : ̂ = 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.
- = ( ∙ )
∙ (3) 5.
Gambar 2 Tampilan Halaman Data
1. Memasukkan nilai bobot masukan (W i ) dengan rentang nilai -1 samapi 1 dan rentang nilai bias (b i ) 0 sampai 1 yang dipilih secara acak.
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:
2. Menghitung nilai matriks keluaran hidden
−1
neuron (H init )
= . + (1)
Keterangan : = Data latih
= Bobot masukan yang di-transpose = Bias 3.
Menghitung nilai matriks keluaran hidden
neuron dengan fungsi aktivasi sigmoid biner
=
1 1+ −
(2) 4. Menghitung pseudo-inverse dengan Moore-
Penrose
- ∙
4.3 Antarmuka Halaman Hasil ELM
5. PENGUJIAN
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 5 Hasil Pengujian Pengaruh Rasio Data Latih Dan Data Uji Terhadap Akurasi
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%
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.
5.2 Pengujian Pengaruh Hidden Neuron
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%.
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.
Gambar 4 Tampilan Halaman Hasil ELM
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.
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
Learning Machine untuk klasifikasi penanganan Human Papilloma Virus.
Pengujian dilakukan untuk mengetahui pengaruh-pengaruh perbedaan paramater terhadap akurasi maupun kemampuan sistem yang telah dibuat pada implementasi Extreme
Learning Machine terhadap masukan yang telah dimasukkan sebelumnya.
klasifikasi. Selain form masukan, terdapat pula tampilan hasil klasifikasi berdasarkan hasil perhitungan menggunakan metode Extreme
Papilloma Virus sebelum dilakukannya
Tampilan klasifikasi menampilkan form masukan guna memberi masukan terhadap 6 parameter gejala penyakit akibat Human
4.4 Antarmuka Halaman Klasifikasi
̂. Sedangkan pada tampilan hasil uji ELM akan ditampilkan nilai prediksi hasil klasifikasi dari data uji dan matriks Y latih.
5.1 Pengujian Perbandingan Rasio Data
Gambar 6 Hasil pengujian pengaruh jumlah hidden neuron Gambar 8 Hasil pengujian pergaruh fungsi aktivasi terhadap akurasi terhadap akurasi
5.3 Pengaruh Jumlah Hidden Neuron 6. KESIMPULAN DAN SARAN Terhadap Waktu Proses
Berdasarkan implementasi, pengujian dan Pengujian ini dilakukan untuk mengetahui alaisis algoritme Extreme Learning Machine pengaruh jumlah hidden neuron terhadap lama untuk klasifikasi penanganan Human Papilloma waktu proses Extreme Learning Maching yang
Virus dapat ditarik kesimpulan bahwa:
telah diimplementasikan. Pada pengujian 1.
Algoritme Extreme Learning Machine pengaruh jumlah hidden neuron terhadap lama dapat diterapkan untuk klasifikasi waktu proses menggunakan fungsi aktivasi penanganan Human Papilloma Virus.
Sigmoid Biner dan rasio data latih dengan uji
2. Algoritme Extreme Learning Machine adalah 80:20. memiliki akurasi sebesar 70,8% dengan
Berdasarkan pengujian yang telah menggunakan rasio data latih dan data uji 80:20 dilakukan, penggunaan 1 hidden neuron dengan menggunakan fungsi aktivasi sigmoid menghasilkan waktu proses tercepat yakni biner dan 10 hidden neuron. dengan waktu selama 0,017 detik.
7. DAFTAR PUSTAKA
5.4 Pengujian Pengaruh Fungsi Aktivasi Azad, F. J., Mahboubi, Y., & Khozeimeh, F.
Pengujian ini dilakukan untuk mengetahui (2017). Intralesional immunotherapy pengaruh fungsi aktivasi terhadap akurasi compared to cryotherapy in the
Extreme Learning Machine yang telah
treatment of warts. International diimplementasikan. Pengujian ini dilakukan
Journal of Dermatology .
dengan membandingkan 7 fungsi aktivasi yang Cholissodin, I. (2016). Modul Big Data Filkom. berbeda. Fungsi aktivasi yang diujikan adalah Christy, M., Adikara, P. P., & SetyaPerdana, R.
Sigmoid Biner , Linear, Sin, Radial Basis,
(2017). Klasifikasi Penyimpangan , Hard Limit, dan Triangular
Sigmoid Bipolar
Tumbuh Kembang Anak Menggunakan Basis. Metode Extreme Learning Machine
Pengujian akan dilakukan sebanyak 10 kali (ELM). dengan menggunakan rasio data latihdengan
Huang. (2006). Extreme learning machine: data uji 80:20 dan 10 hidden neuron.
Theory and applications. Berdasarkan pengujian yang telah dilakukan Janahiraman, T., & Ahmad, N. (2014). pengujian menggunakan fungsi aktivasi linear
Performance Analysis of ELM-PSO memiliki nilai akurasi sertinggi dengan akurasi Architectures for Modelling Surface sebesar 75%. 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.
Patro, G. K., & Kishore, K. S. (2015). .
Normalization : A Preprocessing Stage.
Gambar 7 Hasil Pengujian Pengaruh Jumlah Hidden Neuron Terhadap Waktu Proses Prakoso, E. C., Wisesty, U. N., & Jondri. (2016).
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.
Thappa,
D. (2016). Evolving role of immunotherapy in the treatment of refractory warts.