Anda di halaman 1dari 7

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: xxx-xxx

Vol. 3, No. 3, Maret 2019, hlm. 2180-2186 http://j-ptiik.ub.ac.id

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: 1tata.artha@gmail.com, 2sigit.adinu@ub.ac.id, 3adikara.putra@ub.ac.id
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

2,1 juta perempuan meninggal setiap tahunnya.


1. PENDAHULUAN Diperkirakan pada tahun 2018 kanker payudara
Pertumbuhan abnormal dari sel-sel mengakibatkan sekitar 627.000 perempuan
payudara dapat menimbulkan tumor ganas yang meninggal dunia. Berdasarkan data Riset
disebut kanker payudara (Kementerian Kesehatan Dasar Kementerian Kesehatan RI
Kesehatan, 2016). Menurut data yang dihimpun 2013 (dalam liputan6, 2018), prevalensi kanker
oleh World Heatlh Organization (WHO) tertinggi di Indonesia salah satunya adalah
(2018), kanker payudara mengakibatkan hingga kanker payudara. Penyakit ini menyebabkan

Fakultas Ilmu Komputer


Universitas Brawijaya 2180
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2181

perempuan di Indonesia meninggal dunia “Klasifikasi Pengidap Kanker Payudara


dengan angka kematian 21,5 per 100.000 Menggunakan Metode Voting Based Extreme
penduduk. Learning Machine (V-ELM)”. Aplikasi yang
akan dibangun diharapkan dapat membantu
Upaya pencegahan dengan screening
dokter dalam mendiagnosis penyakit kanker
kanker payudara merupakan langkah yang
payudara.
dapat dilakukan untuk mengurangi jumlah
kematian akibat kanker payudara (Junaidi,
2. LANDASAN KEPUSTAKAAN
2014). Screening adalah pendeteksian kanker
sebelum pasien mengalami gejala (World
2.1. Dataset Kanker Payudara
Health Organization, 2018). Perkembangan
teknologi medis dan teknologi informasi, di Pada penelitian ini menggunakan data
dalam dunia medis dapat digunakan peneliti di sekunder yang bersumber dari UCI Machine
bidangnya untuk mengembangkan model Learning Repository. Data yang digunakan
deteksi dini (Wang et al., 2018), dari data adalah Breast Cancer Coimbra Data Set tahun
konsultasi rutin dan analisis darah (Patricio et 2018 (Patricio et al., 2018) dengan total data
al., 2018). Data mining dapat digunakan untuk sebanyak 116 data. Atribut dari data yang akan
mendeteksi penyakit kanker dengan digunakan sebagai fitur untuk masukan sistem
menggunakan teknik klasifikasi, kemudian hasil dalam melakukan klasifikasi kanker payudara
klasifikasi tersebut digunakan untuk membantu adalah usia, Indeks Massa Tubuh (IMT),
dokter dalam mendiagnosis penyakit glukosa, resistin, HOMA, insulin, leptin,
(Adinugroho dan Sari, 2018). adiponectin dan MCP.1. Label yang digunakan
untuk melakukan klasifikasi ada 2, yaitu 1
Metode Extreme Learning Machine (ELM) sebagai healthy control dan 2 sebagai pasien.
merupakan salah satu metode yang dapat
digunakan untuk melakukan pengklasifikasian 2.2. Kanker Payudara
dengan komputer. Sebelumnya telah dilakukan
penelitian mengenai deteksi dini keberadaan Kanker payudara merupakan suatu kondisi
kanker payudara dengan metode Support Vector terbentuknya sel di payudara secara tidak
Machine (SVM) yang dilakukan oleh Patricio et normal dan tidak terkendali. Bagian pada
al (2018). Penelitian tersebut mendapatkan hasil payudara seperti lobulus, duktus, jaringan
sensitivity 82% hingga 88%, hasil specificity lemak atau jaringan ikat dapat terjangkit kanker
85% hingga 90%. Penelitian terdahulu yang (Alodokter, 2014).
terkait dengan metode ELM untuk masalah
pengklasifikasian yang kedua adalah penelitian 2.2. Klasifikasi
yang dilakukan oleh Fadillla et al (2018), pada Klasifikasi adalah proses
penelitian tersebut memberikan hasil akurasi mengelompokkan data dengan karakteristik
terbaik yaitu sebesar 96,7% dengan 50 hidden yang sama kedalam kelas-kelas yang telah
neuron. Kemudian yang ketiga adalah ditentukan terlebih dahulu. Label kelas dalam
penelitian yang dilakukan oleh Cao et al (2012) klasifikasi digunakan untuk menamai kelompok
dengan metode Voting Based Extreme Learning yang memiliki pola yang serupa (Sugianto et
Machine, dijelaskan bahwa dalam metode ELM al., 2018).
masih terdapat kesalahan dalam melakukan
klasifikasi pada sampel yang dekat dengan 2.3. Normalisasi Data
batas klasifikasi antar kelas, hasil dari
penelitian tersebut diperoleh bahwa metode V- Normalisasi data masukan dilakukan
ELM mampu mendapatkan tingkat keberhasilan dengan menggunakan Persamaan 1.
dalam melakukan klasifikasi dibanding metode 𝑥𝑖𝑗 −𝑚𝑖𝑛𝑗
𝑥′𝑖𝑗 = 𝑚𝑎𝑥 (1)
ELM. 𝑗 −𝑚𝑖𝑛𝑗
Keterangan:
Berdasarkan uraian yang telah dijelaskan
di atas serta penelitian yang sebelumnya telah 𝑥′𝑖𝑗 = nilai hasil normalisasi data ke-i fitur
dilakukan, melakukan deteksi dini merupakan ke-j
hal yang penting untuk mengetahui keberadaan
𝑥𝑖𝑗 = nilai data ke-i fitur ke-j
kanker payudara, maka dari itu penulis tertarik
untuk melakukan penelitian dengan judul 𝑚𝑎𝑥𝑗 = nilai terbesar pada fitur ke-j

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2182

𝑚𝑖𝑛𝑗 = nilai terkecil pada fitur ke-j 1. Inisialisasi bobot 𝑊𝑗𝑘 dan bias 𝑏𝑗 secara
acak. Dimana, j adalah indeks untuk
2.4. Extreme Learning Machine (ELM) hidden neuron dan k adalah indeks untuk
Jaringan saraf tiruan yang memiliki satu dimensi masukan.
hidden layer yang dapat digunakan untuk 2. Hitung matriks 𝐻𝑖𝑛𝑖𝑡 dengan Persamaan 6.
𝐻𝑖𝑛𝑖𝑡 = (𝑋 ∗ 𝑊 𝑇 ) + 𝑏 (6)
melakukan klasifikasi dan regresi adalah
metode Extreme Learning Machine (ELM). Keterangan:
Pada tahap pelatihan metode ELM dilakukan
𝐻𝑖𝑛𝑖𝑡 = matriks masukan hidden layer
pengacakan untuk inisialisasi nilai bobot dan
bias serta menetapkan banyak hidden neuron 𝑋 = matriks data masukan
yang akan digunakan (Ding et al., 2015).
𝑊 𝑇 = Transpose dari matriks bobot
Arsitektur dari ELM ditunjukkan pada Gambar
1. 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.
1
𝐻 = 1+exp(−𝐻 (7)
𝑖𝑛𝑖𝑡 )

Keterangan:
𝐻 = matriks keluaran hidden layer
𝑒𝑥𝑝 = Eksponensial
Gambar 1. Arsitektur ELM
𝐻𝑖𝑛𝑖𝑡 = matriks masukan hidden layer
2.4.1 Fungsi Aktivasi
Pada ELM, terdapat beberapa fungsi aktivasi
yang digunakan untuk meneruskan sinyal dari 4. Hitung matriks 𝐻 + dengan Moore-Penrose
input layer ke output layer. Menurut (Huang et Generalized Inverse seperti Persamaan 8.
al., 2015) beberapa fungsi aktivasi tersebut 𝐻 + = (𝐻𝑇 𝐻)−1 𝐻𝑇 (8)
diantaranya: Keterangan:
1. Fungsi aktivasi Sigmoid
Untuk menghitung fungsi aktivasi Sigmoid 𝐻 + = matriks Moore-Penrose
menggunakan Persamaan 2. 𝐻 𝑇 = Transpose dari matriks H
1
𝑓 (𝑥 ) = (2) 5. Hitung output weight dengan
1+𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡
menggunakan Persamaan 9.
2. Fungsi aktivasi Fourier 𝛽̂ = 𝐻 + 𝑌 (9)
Untuk menghitung fungsi aktivasi Fourier
menggunakan Persamaan 3. Keterangan:
𝑓(𝑥 ) = sin(𝐻_𝐼𝑛𝑖𝑡) (3) 𝛽̂ = matriks output weight
3. Fungsi aktivasi Hyperbolic Tangen 𝐻 + = matriks Moore-Penrose
Untuk menghitung fungsi aktivasi
𝑌 = matriks target
Hyperbolic Tangen menggunakan
Persamaan 4. 2.4.3 Proses Testing ELM
1−𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡 1. Hitung matriks H dari data uji
𝑓 (𝑥 ) = (4)
1+𝑒𝑥𝑝−𝐻_𝐼𝑛𝑖𝑡 menggunakan Persamaan 6 dan Persamaan
4. Fungsi aktivasi Linear 7 dengan menggunakan matriks bobot w,
Untuk menghitung fungsi aktivasi Linear bias b dan 𝛽̂ dari hasil proses training.
menggunakan Persamaan 5. 2. Hitung hasil keluaran output layer dengan
Persamaan 10.
𝑓(𝑥 ) = 𝐻_𝑖𝑛𝑖𝑡 (5)
𝑌̂ = 𝐻𝛽̂ (10)
2.4.2 Proses Training ELM

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2183

Keterangan: 2.6 Evaluasi


𝛽̂ = matriks output weight Pada penelitian ini, metode evaluasi dari
hasil klasifikasi yang digunakan adalah dengan
𝐻 = matriks fungsi aktivasi confusion matrix. Tabel 1 mendeskripsikan
𝑌̂ = matriks output hasil klasifikasi confusion matrix.
2.5 Voting Based Extreme Learning Machine Tabel 1. Confusion Matrix
(V-ELM) Nilai Nilai Aktual
Salah satu masalah yang dimiliki oleh Prediksi True False
metode ELM ialah kemungkinan terjadi True True Positive False Positive
kesalahan klasifikasi pada sampel yang berada False False Negative True Negative
dekat dengan batas klasifikasi antar kelas. Perhitungan yang dilakukan dalam metode
Permasalahan tersebut dapat diatasi dengan confusion matrix yang digunakan pada
menerapkan metode voting based pada ELM penelitian ini adalah metode akurasi. Persamaan
(V-ELM) (Ginting et al., 2018). Pada metode 11 digunakan untuk menghitung Akurasi,
V-ELM akan melakukan perulangan metode Persamaan 12 digunakan untuk menghitung
ELM sebanyak k kali. Untuk setiap ELM Sensitivity, Persamaan 13 digunakan untuk
menggunakan parameter yang berbeda, seperti menghitung Specificity.
bobot dan bias. Sedangkan untuk data masukan 𝑇𝑃+𝑇𝑁
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑁+𝐹𝑃 (11)
menggunakan data latih yang sama untuk tiap
𝑇𝑃
ELM. Kemudian untuk menentukan kelas dari 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃+𝐹𝑁 (12)
data ditentukan dengan voting terbanyak dari 𝑇𝑁
setiap ELM. Terdapat dua tahapan dalam 𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁+𝐹𝑃 (13)
metode V-ELM, yaitu tahap training atau
pelatihan dan tahap testing atau pengujian. 3. PERANCANGAN
Berikut penjelasan tahap training dan testing
Pada penelitian ini, metode yang dilakukan
dalam V-ELM.
dimulai dengan dari normalisasi data latih dan
data uji, selanjutnya fase pelatihan V-ELM
Tahap training V-ELM:
untuk mendapatkan nilai bobot, bias dan output
1. Inisialisasi nilai k sebagai banyaknya
weight (beta) sebagai masukan untuk fase
perulangan ELM tahap training, bernilai
pengujian. Setelah mendapatkan hasil dari
ganjil.
pelatihan, fase selanjutnya ialah pengujian V-
2. Selama banyaknya perulangan yang
ELM dengan data uji. Hasil yang didapatkan
dilakukan masih dalam rentang nilai k,
dari metode ini adalah berupa hasil klasifikasi
ulangi langkah 3-5.
dari data breast cancer Coimbra.
3. Inisialisasi bobot w dan bias b secara acak.
Untuk memudahkan gambaran mengenai
4. Melakukan perhitungan dengan Persamaan
metode yang dilakukan pada penelitian ini,
6 sampai dengan Persamaan 9.
maka akan ditampilkan diagram alir pada
5. Menambah nilai k dengan 1.
Gambar 2 dan Gambar 3.
Tahap testing V-ELM:
1. Inisialisasi nilai k sebagai banyaknya Mulai
perulangan ELM tahap testing, bernilai
ganjil.
2. Selama banyaknya perulangan yang Dataset breast
dilakukan masih dalam rentang nilai k, cancer Coimbra
ulangi langkah 3-5.
3. Dengan parameter hasil training
(𝑤𝑗𝑘 , 𝑏𝑗𝑘 , 𝛽𝑗𝑘 ), lakukan proses testing ELM . A
4. Simpan hasil keluaran klasifikasi ke dalam
matriks 𝑠𝑘,𝑥 , yang mana x = data input. Gambar 2. Diagram Alir Metode Penelitian (Bagian
1)
5. Menambah nilai k dengan 1.
6. Hasil klasifikasi adalah kelas dengan
voting tertinggi untuk tiap data
berdasarkan matriks 𝑠𝑘,𝑥 .

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2184

Pada Gambar 4 menunjukkan bahwa banyak


hidden neuron pada rentang nilai 5 sampai
A dengan 20 menghasilkan nilai akurasi yang
meningkat. Penurunan hasil nilai akurasi terjadi
pada hidden neuron dengan rentang nilai 21
Normalisasi data latih sampai 30, lalu hasil nilai akurasi kembali
dan data uji mengalami peningkatan pada hidden neuron
dengan rentang nilai 31 sampai 35, hal tersebut
dapat terjadi karena pada metode V-ELM,
Proses training inisialisasi parameter masukan berupa bobot
V-ELM dan bias dilakukan secara acak. Pertambahan
banyak hidden neuron mengakibatkan
bertambahnya pola yang terbentuk pada tahap
Proses testing pembelajaran sehingga memungkinkan terjadi
V-ELM overfitting. Begitupula jika banyaknya hidden
neuron terlalu sedikit, maka pola yang dikenali
akan terbatas sehingga terjadi underfitting. Baik
Voting hasil overfitting maupun underfitting akan
klasifikasi menyebabkan hasil akurasi cenderung rendah.

4.2. Pengujian Fungsi Aktivasi


Hasil klasifikasi Pengujian fungsi aktivasi dilakukan untuk
mengetahui pengaruh penggunaan fungsi
aktivasi yang memberikan hasil tingkat akurasi
Berhenti optimal dalam melakukan klasifikasi kanker
payudara. Parameter lain yang digunakan pada
Gambar 3. Diagram Alir Metode Penelitian (Bagian pengujian ini adalah k = 3 dan 20 hidden
2) neuron. Hasil pengujian fungsi aktivasi
ditampilkan dalam representasi grafik seperti
4. HASIL DAN ANALISIS PENGUJIAN pada Gambar 5.
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 Gambar 5. Grafik Hasil Pengujian Fungsi Aktivasi
ditampilkan dalam representasi grafik seperti Pada Gambar 5 hasil rata-rata tingkat akurasi
pada Gambar 4. yang didapat dari empat jenis pengujian fungsi
100
aktivasi. Penggunaan fungsi aktivasi sigmoid
dapat menghasilkan tingkat akurasi yang paling
Akurasi (%)

baik dibanding fungsi aktivasi lainnya. Rata-


50
rata tingkat akurasi yang dicapai dari fungsi
aktivasi sigmoid adalah 85,218%. Hal tersebut
0 menunjukkan bahwa fungsi aktivasi sigmoid
5 10 15 20 25 30 35 40 45 50
sesuai untuk digunakan pada metode dan data
Banyak Hidden Neuron dalam penelitian ini. Hasil akurasi yang baik
didapatkan ketika fungsi aktivasi yang
Gambar 4. Grafik Pengujian Banyak Hidden Neuron digunakan fungsi aktivasi sigmoid dan
hyperbolic tangen karena keduanya bagian dari

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2185

fungsi logistic (Shenouda, 2006). banyak hidden neuron yang digunakan terlalu
banyak maka sistem akan mengenali pola data
4.3. Pengujian Nilai k pada tahap pelatihan terlalu banyak sehingga
Pengujian nilai k yang merepresentasikan pada saat dilakukan pengujian akan
banyaknya perulangan metode ELM dalam V- menghasilkan akurasi yang rendah sehingga
ELM dilakukan untuk mengetahui pengaruh terjadi overfitting.
nilai k terhadap hasil akurasi dari proses Pemilihan nilai k dengan bilangan ganjil
klasifikasi. Parameter lain yang digunakan pada yang semakin besar dapat meningkatkan rata-
pengujian ini adalah fungsi aktivasi Sigmoid rata tingkat akurasi. Hal tersebut dikarenakan
dan 20 hidden neuron. Hasil pengujian nilai k semakin banyaknya proses voting dilakukan
ditampilkan dalam representasi grafik seperti untuk memilih label yang dominan maka
pada Gambar 6. 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
Gambar 6. Grafik Hasil Pengujian Nilai k nilai k=35, didapatkan hasil akurasi sebesar
Gambar 6 menampilkan tingkat akurasi yang 89,564%, sensitivity sebesar 96,924% dan
diperoleh dari pengujian nilai k. Dari lima kali specificity sebesar 80%.
percobaan yang telah dilakukan, untuk setiap
nilai k diperoleh bahwa bertambah besarnya 5. KESIMPULAN
nilai k yang digunakan dapat menghasilkan Simpulan yang dapat diambil setelah
rata-rata tingkat akurasi yang tinggi karena melakukan tahap perancangan, implementasi,
semakin banyak proses voting yang dilakukan pengujian dan analisis adalah sebagai berikut.
memilih label kelas yang dominan maka sistem
dapat mengklasifikasikan dengan benar 1. Metode V-ELM telah dirancang dan dapat
sehingga rata-rata tingkat akurasi yang akan diimplementasikan pada permasalahan
diperoleh dapat lebih tinggi dibanding nilai k klasifikasi pengidap kanker payudara. Proses
yang kecil. Dari pengujian yang telah dilakukan pertama yang dilakukan adalah membagi
35 merupakan nilai k yang paling optimal data latih dan data uji. Kemudian dilakukan
dalam penelitian ini dengan menghasilkan rata- proses normalisasi terhadap data latih dan
rata tingkat akurasi sebesar 89,56%. data uji. Setelah itu dilakukan klasifikasi
dengan metode V-ELM, sehingga didapatkan
4.4. Analisis Global hasil klasifikasi dari data uji.
Setelah melakukan tiga skenario percobaan, 2. Dari hasil pengujian didapatkan nilai optimal
dapat diketahui bahwa penggunaan banyak untuk banyak hidden neuron adalah 20
hidden neuron sangat menentukan tingkat neuron, nilai optimal untuk k adalah 35 dan
akurasi yang akan dicapai oleh sistem. Nilai fungsi aktivasi yang memberikan hasil paling
akurasi akan rendah bila menggunakan hidden optimal adalah fungsi aktivasi Sigmoid.
neuron yang terlalu sedikit ataupun banyak. Hal 3. Dengan menggunakan parameter optimal
tersebut dapat dikaitkan dengan gejala dari hasil pengujian, didapatkan akurasi
underfitting dan overfitting, apabila hidden sebesar 89,564%, sensitivity 96,924% dan
neuron yang digunakan terlalu sedikit maka specificity sebesar 80%. Hasil akurasi yang
sistem tidak dapat mengenali pola data pada tinggi ini mengindikasikan bahwa metode V-
tahap pelatihan sehingga pada saat dilakukan ELM cocok digunakan untuk klasifikasi data
pengujian akan menghasilkan akurasi yang pengidap kanker payudara.
rendah sehingga terjadi underfitting, lalu jika

Fakultas Ilmu Komputer, Universitas Brawijaya


Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2186

6. DAFTAR PUSTAKA Caramelo, F., 2018. Breast Cancer


Coimbra Data Set. UCI Machine
Adinugroho, S., Sari, Y. A., 2018.
Learning [online] Tersedia melalui: UCI
Implementasi Data Mining
Machine Learning Repository <
Menggunakan Weka. Malang: UB
https://archive.ics.uci.edu/ml/datasets/Bre
Press.
ast+Cancer+Coimbra> [Diakses 11 Juli
Alodokter, 2014. Kanker payudara. [online] 2018]
Tersedia di:<
Pusat Data dan Informasi Kementrian
https://www.alodokter.com/kanker-
Kesehatan Republik Indonesia, 2016.
payudara> [Diakses 25 Agustus 2018].
Infodatin: Bulan Peduli Kanker
Cao, J., Lin, Z., Huang, G. & Liu, N., 2012. Payudara. [pdf] Kementerian Kesehatan .
Voting based extreme learning Tersedia di: <
machine. Informaton Sciences, 185, http://www.depkes.go.id/download.php?fi
p.66-77. le=download/pusdatin/infodatin/InfoDatin
Ding, S., Zhao, H., Zhang, Y. & Nie, R., 2015. %20Bulan%20Peduli%20Kanker%20Pay
Extreme Learning Machine: Algorithm, udara_2016.pdf> [Diakses 21 Agustus
Theory and Applications. Artif Intell, 2018]
44, p.103-115. Shenouda, E., 2006. A Quantitative
Fadilla, I., Adikara, P. P., & Perdana, R. S., Comparison of Different MLP Activation
2018. Klasifikasi Penyakit Chronic Functions in Classification. Advances in
Kidney Disease (CKD) Dengan Neural Networks – ISNN 2006, 3971,
Menggunakan Metode Extreme Learning p.849-857.
Machine (ELM). Jurnal Pengembangan Sugianto, N. A., Cholissodin, I., & Widodo, A.
Teknologi Informasi dan Ilmu Komputer, W., 2018. Klasifikasi Keminatan
2(10), p.3397-3405. Menggunakan Algoritme Extreme
Ginting, S. E. B., Widodo, A. W., & Adikara, Learning Machine dan Particle Swarm
P. P., 2018. Voting Based Extreme Optimization untuk Seleksi Fitur. Jurnal
Learning Machine dalam Klasifikasi Pengembangan Teknologi Informasi dan
Computer Network. Jurnal Pengembangan Ilmu Komputer, 2(5), p.1856-1865.
Teknologi Informasi dan Ilmu Komputer, Wang, H., Zheng, B., Yoon, S. W., & Ko, H.
2(6), p.2158-2167. S., 2018. A Support Vector Machine-
Huang, G., Huang, G-.B., Song, S., & You, K., Based Ensemble Algorithm For Breast
2015. Trends in Extreme Learning Cancer Diagnosis. European Journal of
Machines: A Review. Neural Networks, Operational Research, 267, p.687-699.
61, p.32-48. WHO, 2018. Breast Cancer. [online] Tersedia
Junaidi, I., 2014. Hidup Sehat Bebas Kanker – di:<
Mewaspadai Kanker Sejak dari Dini. http://www.who.int/cancer/prevention/di
Yogyakarta: Rapha Publishing. agnosis-screening/breast-cancer/en/>
Liputan6, 2016. Lovepink dan Pinkvoice Ajak [Diakses 15 Oktober 2018]
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., &

Fakultas Ilmu Komputer, Universitas Brawijaya