Jurnal Ilmiah

ILMU KOMPUTER
Universitas Udayana

Vol. IX, No. 2, September 2016 ISSN 1979 - 5661

ANALISIS & IMPLEMENTASI

ALGORITMA KELELAWAR SEBAGAI FITUR SELEKTOR
DALAM KLASIFIKASI DERMATOLOGY

Ketut Ardha Chandra1, I Made Widiartha2, Agus Muliantara 3

1,2,3
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Jalan Kampus Udayana Bukit Jimbaran, Badung-Bali
Email: ketutardhachandra@gmail.com1, imadewidiartha@cs.unud.ac.id2,
muliantara@cs.unud.ac.id3

ABSTRAK
Penyakit kulit merupakan salah satu penyakit yang perlu ditangani secara serius baik
dalam pencegahan maupun pengobatan.Di Indonesia, penyakit kulit merupakan penyakit yang
menjangkit terbanyak kedua sejumlah 501.280 kasus. Sebagai upaya pencegahan dan
pengobatan perlu diketahui klasifikasi penyakit kulit apa yang sedang diderita. Untuk
mengetahui klasifikasi penyakit yang tepat perlu diketahui fitur-fitur yang tepat pula. Salah satu
jenis penyakit kulit yaitu Erythemato-squamou sangat sulit untuk deteksi karena fitur klinis
maupun histopatologis menampilkan 90% fitur serupa. Solusi untuk mengoptimasi kinerja
klasifikasi dan memilih fitur yang tepat bisa menggunakan metode bio-inspired salah satunya
algoritma kelelawar.Pada penelitian sebelumnya algoritma kelelawar mampu memberikan
perfoma yang lebih baik bila dibandingkan dengan algoritma genetika, Particle Swarm
Optimization dan Geometric Particle Swarm Optimization. Oleh karena Algoritma Kelelawar
memberikan hasil yang baik dalam penelitian komparasi sebelumnya, pada penelitian ini
Algoritma Kelelawar digunakan sebagai feature selector untuk membantu proses klasifikasi
Dermatology menggunakan Naive Bayes dan Backpropagation dengan harapan akurasi yang
dihasilkan klasifier lebih optimal. Penelitian ini menggunakan dua skenario dimana skenario
pertama klasifikasi berjalan tanpa menggunakan algoritma kelelawar, dan skenario kedua
menggunakan algoritma kelelawar.Hasil penelitian ini mendapatkan kesimpulan bahwa dengan
menggunakan algoritma kelelawar akurasi klasifikasi Dermatolgy dapat meningkat. Pada
klasifier Naive Bayes akurasi meningkat dari 81,81% menjadi 97,27% dan klasifier
Backpropagation meningkat dari 61.40% menjadi 92.39% dengan menggunakan variabel yang
paling optimal yaitu α=0,75, β=1 dan γ=0,25. Dari kedua klasifier yang digunakan, algoritma
kelelawar mampu memberikan hasil yang konsisten sebagai feature selector dengan
menghasilkan pemilihan fitur optimal yang sama yaitu fitur : itching, PNL infiltrate,
Parakeratosis, Elongation of the rete ridges, Munro microabcess, dan Follicular horn plug.

Kata Kunci: Algoritma Kelelawar, Feature selector, Dermatology, Naive Bayes,

Backpropagation

ABSTRACT

15
16 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24

Student is an individual transition from adolescence to adulthood. So that the student is

still not stable level of emotion in terms of management.

Keywords: Financial Applications, Mobile, Android

penyembuhan. Namun pada kenyataannya
1 PENDAHULUAN
penyakit kulit memiliki gejala-gejala yang
Penyakit kulit merupakan salah satu
hampir serupa sehingga proses klasifikasi
penyakit yang perlu ditangani secara serius
menjadi sulit.Minimnya akurasi disebabkan
baik dalam pencegahan maupun
hasil pengukuran yang salah maupun fitur-
pengobatan.Berdasarkan laporan Organisasi
fitur yang tidak diperlukan yang justru
Kesehatan Dunia (WHO) pada tahun 2011,
menganggu hasil dari klasifikasi penyakit
penyakit kulit masih sering terjadi pada
kulit tersebut. Salah satu tantangan dalam
masyarakat pedesaan di negara-negara
bidang dermatology yaitu membedakan
berkembang dengan konsekuensi ekonomi
Erythemato – Squamous Diseases (ESD)
dan sosial yang serius.
(Olatunji,2013).Dalam pendeteksian ESD
Indonesia yang merupakan salah
fitur klinis maupun histopatologis
satu negara berkembang dan banyak
menampilkan 90% fitur serupa
memiliki wilayah pedesaan, harus memiliki
(Badrinath,2013). Hal ini memicu
sarana medis yang memadai guna
penelitian bagaimana mengoptimasi kinerja
mengatasi permasalahan penyakit kulit
klasifikasi agar keakuratannya dapat lebih
yang sering terjadi.Menurut Direktur
meningkat.
Jenderal Pelayanan Medik Departemen
Untuk mendapatkan hasil diagnosa
Kesehatan Republik Indonesia tahun 2006
penyakit kulit membutuhkan berbagai
penyakit kulit dan jaringan subkutan
proses untuk memperoleh fitur-fitur yang
berdasarkan prevalensi 10 penyakit
diperlukan untuk mendapat hasil klasifikasi
terbanyak pada masyarakat Indonesia
akhir. Salah satu jenis penyakit kulit yaitu
menduduki peringkat kedua setelah infeksi
Erythemato – SquamousDiseases melewati
saluran penapasan akut dengan jumlah
tahapan proses klinis dan histopatologis
501.280 kasus (Tuti, 2010). Penanganan
untuk mendapatkan fitur-fitur dalam
sejak dini tentunya akan mengurangi
klasifikasi dermatology. Proses klinis
jumlah kasus penyakit kulit yang akan
diperoleh melalui diagnosa secara langsung
terjadi di masyarakat.
seperti sejarah keturunan, usia, hingga
Dalam penanganan dini penyakit
penampakan kulit secara langsung.
kulit perlu diperhatikan gejala-gejala yang
Sementara proses histopatologis diperoleh
timbul agar klasifikasi jenis penyakit kulit
melalui pengamatan melalui mikroskop
dapat diketahui oleh masyarakat dan dapat
menggunakan sampel kulit pasien. Proses
dilakukan proses pencegahan maupun
 Chandra, dkk., Analisis & Implementasi…17

histopatologis memerlukan waktu yang proses diagnosa dapat dilakukan lebih

lama hingga mendapat fitur-fitur yang cepat sehingga lebih efisien dari segi waktu
dibutuhkan. Proses pendeteksian yang lama maupun finansial (Andi, 2003).
akan mengakibatkan pencegahan dini sulit Salah satu metode optimasi Bio –
untuk dilakukan sehingga proses Inspired terbaru adalah Bat Algorithm atau
penyembuhan akan terhambat sampai Algoritma Kelelawar. Secara umum
putusan diagnosa telah dihasilkan. algoritma kelelawar meniru tingkah laku
Terdapat berbagai macam metode kelelawar dalam mencari makanan dan
klasifikasi modern menggunakan komputasi dapat membedakan jenis-jenis serangga
sehingga proses klasifikasi bisa dilakukan walaupun dalam kegelapan total (Yang,
lebih cepat dibandingkan proses klasifikasi 2010). Algoritma kelelawar merupakan
secara konvensional. Tetapi tidak hanya metode optimasi metaheuristik yang dapat
kecepatan klasifikasi yang dibutuhkan, digunakan sebagai feature selector dalam
tingkat akurasi yang tinggi juga diperlukan kasus klasifikasi. Algoritma Kelelawar
utamanya dalam klasifikasi di bidang memberikan perfoma yang lebih baik bila
kesehatan, sebab bila terdapat kesalahan dibandingkan dengan beberapa algoritma
akan berpengaruh buruk terhadap kesehatan lainya seperti Algoritma Genetika, Particle
pasien. Salah satu penelitian komparasi Swarm Opimization dan Geometric Particle
klasifikasi penyakit kulit menggunakan Swarm Optimization (Ahmad, 2013).
metode Naive – Bayes hanya menghasilkan Selain itu Algoritma Kelelawar dapat
tingkat akurasi sebesar 72.85% (Kundu, memberikan akurasi menggunakan Naive
dkk, 2010). Sehingga proses klasifikasi Bayes sebagai evaluatornya yang cukup
penyakit kulit khususnya menggunakan menjanjikan sebesar 98,29 % bila
Naive – Bayes memerlukan suatu dibandingkan dengan metode Exhaustive
optimalisasi agar akurasinya meningkat. Search dan Genetic Search yang secara
Berdasarkan fakta yang telah berurutan memberikan hasil 82,97% dan
dijelaskan di atas, dapat disimpulkan bahwa 82,55% (Pallavi, 2013). Oleh karena
proses klasifikasi Dermatology atau Algoritma Kelelawar memberikan hasil
penyakit kulit menghadapi dua yang baik dalam penelitian komparasi
permasalahan yaitu akurasi yang minim sebelumnya, Algoritma Kelelawar akan
serta proses diagnosa yang lama. Solusi digunakan sebagai feature selector untuk
permasalahan tersebut dapat diatasi dengan membantu proses klasifikasi Dermatology
menggunakan diagnosa komputasi yang menggunakan Naive Bayes dan
biasa dikenal dengan istilah Bio – Backpropagation dengan harapan akurasi
Informatika. Dengan Bio – Informatika
18 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24

yang dihasikan klasifier dapat berjalan lebih bertengger dalam kegelapan (Yang, 2010).
optimal. Kelelawar memancarkan kadar pulsa suara
yang sangat nyaring dan mendengar
2 METODE, DESAIN, DAN
gelombang yang memantul dari objek di
DATASET
sekelilingnya. Kadar pulsa dapat bervariasi

2.1 Metode dan berkorelasi dengan strategi memburu

Terdapat tiga metode yang segerombolan kelelawar. Berikut adalah

digunakan dalam penelitian ini yaitu representasi kemampuan kelelawar dalam

Algoritma Kelelawar, Naive Bayes dan algoritma kelelawar :

Backpropagation. Algoritma kelelawar 1. Kemampuan kelelawar dalam

digunakan sebagai feature selector, echolocation dapat dikembangkan

sementara Naive Bayes dan secara variasi menjadi bat –

Backpropagation digunakan sebagai inspiredalgorithm atau algoritma

klasifier untuk mengukur seberapa besar kelelawar. Sebagai contoh dapat

akurasi yang dihasilkan dari fitur terpilih. digunakan beberapa rule atau aturan
dari kemampuan untuk menentukan
2.1.1 Algoritma Kelelawar jarak dan kelelawar ‘mengetahui’
Algoritma kelelawar pertama kali perbedaan mangsa dan penghalang.
diperkenalkan oleh Xin – She Yang pada 2. Kelelawar terbang secara acak dengan
tahun 2010 dalam jurnalnya yang berjudul kecepatan (Vi) pada posisi (Xi),
A New Metaheuristic Bat – Inspired dengan frekuensi (f), panjang
Algorithm. gelombang ( ) dan kenyaringan (A)
Kemampuan kelelawar dalam dalam mencari mangsa. Kelelawar
menangkap mangsanya merupakan hal mempunyai kemampuan untuk
yang sangat unik.Kelelawar mempunyai menyesuaikan panjang gelombang ( )
kemampuan handal dalam dari dari pancaran pulsa dan mengatur
echolocation.Echolocation adalah kadar dari dari emisi pulsa (r) ∈ [0,1]
kemampuan menentukan suatu lokasi yang sangat penting menentukan target
dengan menggunakan echo atau terdekat.
gelombang. Kemampuan echolocation ini 3. Walaupun kenyaringan dapat
digunakan untuk mencari mangsa, bervariasi berapapun itu, tapi
menghindari penghalang dan menentukan diasumsikan kenyaringan dapat
kelelawar. bervariasi dari bilang positif yang
Semua kelelawar menggunakan maksimum sampai bilang konstan
echolocation lokasi pada celah untuk minimum.
 Chandra, dkk., Analisis & Implementasi…19

Adapun implementasi algoritma Kenyaringan (A) merupakan

kelelawar sebagai feature selector pada perubahan jumlah fitur dalam suatu iterasi
kasus klasifikasi direpresentasikan sebagai selama pencarian lokal di sekitar kelelawar
berikut : terbaik global dan pencarian lokal pada
setiap kelelawar
a. Posisi
= +
Masing – masing posisi kelelawar
Dimana :
direpresentasikan sebagai string biner
: posisi kelelawar baru
dengan panjang N dimana N merupakan
: posisi kelelawar sebelumnya
total fitur dalam dataset. Bit ‘1’
: kenyaringan rata-rata semua
mengindikasikan fitur tersebut dipilih dan
kelelawar dalam satu iterasi
bit ‘0’ tidak dipilih seperti yang terlihat
: bilangan acak diantara -1 dan 1
pada Gambar 2.1.
Ketika kelelawar mulai mendekati
solusi terbaik, kenyaringan akan berkurang.
Berikut adalah formula untuk konfigurasi
nilai kenyaringan :
=α
Dimana :
Gambar 2.1 Ilustrasi Posisi Kelelawar
: kenyaringan kelelawar ke – i untuk
Persamaan berikut adalah formulasi iterasi ke t + 1
penyesuaian posisi kelelawar dimana : kenyaringan kelelawar ke – i pada
adalah posisi kelelawar ke – i, iterasi ke – t
merupakan nilai kelelawar ke – i sebelumya α : variabel konstan diantara 0 dan 1
dan adalah kecepatan kelelawar ke – i
Kenyaringan berada di rentang nilai
pada suatu kurun waktu.
maksimum dan minimum yang telah
= +
ditentukan.Penentuan nilai maksimum dan
Dimana :
minimun bergantung pada domain aplikasi
: posisi kelelawar ke – i pada iterasi
dan ukuran dataset. Secara empiris,
ke – t
penentuan nilai maksimum yaitu 1/5 N
: posisi kelelawar ke – i pada iterasi
dimana N merupakan total fitur (Pallavi,
t-1
2013).
: kecepatan kelelawar ke – i pada
iterasi ke – t
c. Frekuensi
Frekuensi merupakan elemen
b. Kenyaringan
bilangan real yang akan mempengaruhi
20 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24

nilai kecepatan. Pemilihan nilai minimum kelelawar mendekati solusi terbaik, pulse
dan maksimum disesuaikan dengan domain rateakan perlahan – perlahan berkurang.
aplikasi. = [1 − exp(− )]
= +( − ) Dimana :
Dimana : : pulse rate kelelawar pada iterasi t+1
fi : frekuensi kelelawar ke - i : nilaipulse rate awal pada kelelawar
: variabel konstan diantara 0 dan 1 : variabel konstan diantara 0 dan 1
fmax : nilai maksimum frekuensi
Dimana merupakan kadar
fmin : nilai minimumfrekuensi
pulsa kelelawar dengan solusi baru,
d. Kecepatan merupakan kadar pulsa kelelawar dengan
Kecepatan masing-masing solusi sebelumnya, t adalah kurun waktu,
kelelawar direpresentasikan dengan adalah nilai konstan.
bilangan integer positif. Kecepatan akan
f. Fungsi Fitness
mempengaruhi berapa jumlah fitur yang
Fungsi fitness digunakan pada
harus berubah dalam suatu kurun waktu.
setiap kandidat solusi dimana dalam
Kelelawar berkomunikasi satu dengan yang
penelitian ini menggunakan Naive Bayes
lainnya melalui solusi global terbaik dan
sebagai evaluatornya.
bergerak menuju solusi terbaik global.
−
= +( ∗ − ) = . + .
Dimana : Dimana :
: kecepatan kelelawar ke – i pada : nilai Fitness kelelawar ke – i
iterasi ke-t : paramater dengan rentang diantara
: kecepatan kelelawar ke – i pada 0 dan 1 untuk bobot akurasi
iterasi ke-( − 1) : paramater dimana =1− untuk
( ∗ − ): merupakan perbedaan posisi bobot jumlah fitur
kelelawar global (*) dengan : hasil akurasi yang dihasilkan
kelelawar ke – i pada iterasi ke – t. klasifier

e. Pulse Rate
Pulse rate (r) mempunyai peran 2.1.2 Naïve Bayes Classifier
untuk menentukan kapan pencarian lokal Thomas Bayes yaitu ilmuwan asal
dari kelelawar terbaik global dilewati. inggris menemukan suatu metode
Besar nilai pulse rateakan mengurangi klasifikasi melalui pendekatan probabilitas
kemungkinan melakukan pencarian lokal dan statistik yang dikenal dengan ‘Naive
dan begitu pula sebaiknya. Maka, ketika Bayes’. Thomas Bayes memprediksi
 Chandra, dkk., Analisis & Implementasi…21

peluang yang akan datang dengan kejadian

atau pengalamaan sebelumnya yang
akhirnya dikenal sebagai teorema Bayes.
Teorema tersebut dikombinasikan dengan
‘naive’ dimana diasumsikan kondisi antar
atribut saling bebas.

= , = 1, … ,
∑ ( ) ( | )
Gambar 2.2 Arsitektur Backpropagation
Dimana :
: probabilitas nilai kelas Pada gambar 2.2 diperlihatkan
: probabilitas kelas dengan suatu arsitektur jaringan backpropagation dengan
nilai atribut satu unit hidden layer.Xi adalah unit input
∑ ( ) ( | ) : total dari seluruh layer, Zj adalah unit hidden layer, dan Yk
probabilitas kelas ( ( )) dikali adalah unit output layer. Setiap unit
dengan seluruh probabilitas kelas memiliki bobotnya masing-masing.Vij
dengan suatu nilai atribut ( | ) adalah bobot dari unit input layer ke unit
hidden layer dan Wjk adalah bobot dari
2.1.3 Backpropagation
unit hidden layer ke unit output layer.
Backpropagation merupakan salah
Penggunaan BackPropagation
satu bagian dari Neural Network.
terdiri dari dua tahap :
Backpropagation merupakan metode
1. Tahap Belajar atau pelatihan, dimana
pelatihan terawasi (supervised learning),
pada tahap ini pada backpropagation
dalam artian mempunyai target yang akan
neural network diberikan sejumlah
dicari. ciri dari Backpropagation adalah
data pelatihan dan target.
meminimalkan error pada output yang
2. Tahap pengujian atau penggunaan,
dihasilkan oleh jaringan. dalam metode
pengujian dan penggunaan dilakukan
backpropagation, biasanya digunakan
setelah Backpropagation selesai
jaringan multilayer. Jaringan multilayer
belajar.
yang dimaksud adalah layer yang terdiri
dari input layer (layer masukan), hidden Setiap umpan maju (feedforward),
layer (layer tersembunyi), output layer setiap unit input (Xi) akan menerima sinyal
(layer keluaran). Dalam pengembangannya, input dan akan menyebarkan sinyal tersebut
hidden layer dapat terdiri dari satu atau pada tiap hidden unit(Zj). Setiap hidden
lebih unit hidden layer. unit kemudian akan menghitung
Arsitektur jaringan back aktivasinya dan mengirim sinyal (zj) ke tiap
propagation adalah sebagai berikut : unit output.Kemudian setiap unit output
22 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24

(Yk) juga akan menghitung aktivasinya

(yk) untuk menghasilkan respon terhadap
input yang diberikan jaringan.
Saat proses pelatihan (training),
setiap unit output membandingkan
aktivasinya (yk) dengan nilaui target (tk)
untuk menentukan besarnya error.
Berdasarkan error ini, dihitung faktor delta
k, dimana faktor ini digunakan untuk
mendistribusikan error dari output ke layer
sebelumnya. Dengan cara yang sama, faktor
delta j juga dihitung pada hidden unit Zj,
dimana faktor ini digunakan untuk
memperbaharui bobot antara hidden layer Gambar 2.3 Flowchart alur sistem

dan input layer. Setelah semua faktor delta

2.3 Dataset
ditemukan, bobot untuk semua layer
Dalam penelitian ini digunakan
diperbaharui.
datasets yang berasal dari University of

2.2 Desain California Irvine (UCI) Repository yaitu

Gambar 2.3 merupakan diagram Dermatology database. Terdapat 366

alir dari sistem. Pertama-tama user sampel pasien yang masing – masing

memasukan paramater yang dibutuhkan. memiliki 34 atribut. Dermatology database

Selanjutnya yaitu proses pemilihan fitur mempunyai jumlah fitur yang cukup

algoritma kelelawar dengan menggunakan banyak sehingga sesuai dengan penelitian

dataset yang ada, dimana bagian ini ini.

merupakan training section. Setelah training Dalam dataset Dermatology pasien

section didapatkan tabel bayangan dari pada mulanya didiagnosa secara klinis

dataset sementara menggunakan fitur-fitur dengan 12 fitur.Setelah itu, sampel kulit

yang telah dipilih oleh setiap kelelawar. pasien diambil sebagai diagnosa 22 fitur

Tabel bayangan akan diuji menggunakan histopatologis.Hasil dari fitur

Naive Bayes Classifier untuk memperoleh Histopatologis didapatkan melalui analisa

nilai akurasi yang akan digunakan dalam sampel menggunakan mikroskop.Atribut

mencari nilai fitness setiap kelelawar, klinis maupun histopatologis dapat dilihat

bagian ini merupakan testing section. pada Tabel 1.

Dataset Dermatology terdiri atas 34
atribut, 33 merupakan linier dan satu
 Chandra, dkk., Analisis & Implementasi…23

merupakan nominal.Pada fitur family a. Menghitung berapa akurasi yang

history, nilai ‘1’ mengandung makna bahwa mampu dihasilkan algoritma kelelawar
keluarga pasien pernah mengalami riwayat melalui fitur seleksinya dengan
penyakit kulit sementara nilai ‘0’ menggunakan dua klasifier yaitu Naive
mengandung makna keluarga pasien tidak Bayes dan Backpropagation.
ada yang memiliki riwayat penyakit kulit. b. Mencari variabel , dan γ yang
Fitur – fitur lainnya baik klinik maupun paling optimal.
histopatologis diberikan rentang nilaii dari c. Menguji konsistensi terhadap fitur
0 – 1 dimana 0 memberkan makna fitur terpilih dari dua klasifier berbeda
tersebut nihil, 3 memberikan makna nilai (Naïve Bayes & Backpropagation).
yang paling tinggi dan 1 atau 2 memberikan Konsistensi tercapai bilamana fitur
makna nilai tengah – tengah. terpilih diantara kedua klasifier
Tabel 2.1 Distribusi kelas pada database merupakan fitur yang sama.
Dermatology d. Menghitung kompleksitas waktu dari
Kode Jumlah sistem dan membandingkannya
Kelas
Kelas Sampel efisiensi waktu yang diperoleh dengan
1 Psoriasis 112 metode Brute Force.
Seboreic e. Membandingkan akurasi dan waktu
2 Dermatitis 61 proses pada klasifikasi dermatolgy
3 Lichen planus 72 yang diperoleh dengan algoritma
Pityriasis kelelawar dan dengan tanpa
4 rosea 49 menggunakan algoritma kelelawar.
Cronic f. Analisis karakteristik fitur yang cocok
5 dermatitis 52 dengan algoritma kelelawar.
Pityriasis
Karakteristik paramater untuk
6 rubra pilaris 20
pengujian dalam penelitian ini yaitu sebagai
berikut :
3 SKENARIO UJI COBA a. Bobot fitness yang digunakan yaitu
Pada sub bab ini akan dipaparkan δ = 0,9 dan = 0,1. Bobot merujuk
mengenai hasil pengujian yang telah
kepada tingkat akurasi dan merujuk
dilakukan sertai analisis dari hasil
kepada jumlah fitur.
pengujian yang diperoleh. Adapun tahapan
b. Penelitian ini menggunakan varian
pengujian yang dilakukan pada penelitian
variabel , dan γ dengan rentang
ini sebagai berikut :
nilai diantara 0 dan 1 dengan
24 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24

increment 0,25 sehingga didapatkan kedua klasifier yang digunakan

varian , dan γ sebanyak 64 varian. yaitu: Naive Bayes dan Backpropagation,

c. Kelelawar yang dibangkitkan terbukti bahwa algoritma kelelawar mampu

berjumlah 30 kelelawar, iterasi berikan hasil yang konsisten terhadap

maksimal berjumlah 50 iterasi. pemilihan fiturnya. Masing-masing klasifier

d. Metode Brute Force yang digunakan menunjukan bahwa hasil paling optimal

sebagai perbandingan efisiensi waktu yaitu menggunakan enam fitur terpilih pada

akan menjalankan seluruh search space posisi kelelawar :

pada penelitian ini, dimana search 0001000000000100001010010000010000

space dalam penelitian ini yaitu atau dalam kata lain fitur terpilih yaitu fitur

seluruh kombinasi fitur pada data ke : 4, 14, 19, 21, 24, dan 30.

dermatology. Data dermatology Algoritma kelelawar mempunyai

memiliki 34 fitur sehingga kombinasi karakteristik kompleksitasi ( ) atau

yang akan dieksekusi oleh Brute Force kompleksitas linear yaitu kompleksitas

sebanyak 2 − 1 = 17.179.869.184 bertumbuh seiring dengan pertumbuhan

kombinasi. data. Dalam pengujian didapatkan bahwa

4 HASIL UJI COBA
Pengujian telah dilakukan
sebanyak 10 kali percobaan pada setiap
klasifier dengan 64 kombinasi fitur α, β dan
γ menggunakan parameter yaitu
kelelawar dan 50 iterasi. Dari 10 percobaan
yang telah dilakukan lalu dirata-ratakan dan
disajikan pada tabel.
Hasil penelitian menunjukan bahwa
hasil paling optimal terdapat pada variabel
dengan nilai α=0,75, β=1 dan γ=0,25.
Tingkat akurasi yang didapatkan pada
klasifier Naive Bayes yaitu sebesar 97,27%
dengan jumlah fitur yang dipilih enam dan
nilai fitness sebesar 0.95725. Sementara
Backpropagation menghasilkan akurasi
sebesar 92.392% dengan jumlah fitur yang
dipilih enam dan nilai fitness 0.9133.
algoritma kelelawar membutuhkan waktu
proses sebanyak 544 detik atau 9 menit 4
detik untuk mendapatkan hasil akurasi
paling optimal seperti pada tabel 4.12.
Sementara itu hasil analisis menggunakan
30 Brute Force menghasilkan hasil akurasi
yang sama dengan algoritma kelelawar
namun membutuhkan waktu proses hingga
72735 detik atau 20 jam 12 menit 15 detik.
Maka secara signifikan algoritma kelelawar
mampu menghasilkan akurasi yang serupa
dengan Brute Force namun dalam segi
waktu sangat jauh lebih efisien. Untuk
selengkapnya bisa dilihat pada tabel 4.1
Tabel 4.1 Perbandingan Algoritma
Kelelawar dengan Brute Force
 Chandra, dkk., Analisis & Implementasi…25

algoritma kelelawar sebagai feature

selector dalam klasifikasi dermatology
dapat ditarik kesimpulan sebagai berikut.
1. Algoritma kelelawar mampu
Pada Tabel 4.2 terdapat hasil menyelesaikan permasalahan fitur
analisa pada klasifikasi dermatology seleksi dalam klasifikasi dermatology.
dengan dan tanpa Algoritma Kelelawar. Dari hasil pengujian, algoritma
Hasil dari pengujian didapatkan bahwa bila kelelawar bila menggunakan Naive
menggunakan algoritma kelelawar klasifier Bayes classifier mendapatkan tingkat
Naive Bayes menghasilkan akurasi sebesar akurasi klasifikasi sebesar 97,27%.
97,27% dengan waktu proses selama Sementara itu Backpropagation
544,66 detik dan klasifier Backpropagation classifier mendapatkan tingkat akurasi
menghasilkan akurasi 92,53% dengan klasifikasi sebesar 92.39%. Hasil
waktu proses selama 2769,86 detik. penelitian menunjukan bahwa hasil
Sementara bila tanpa menggunakan paling optimal terdapat pada variabel
algoritma kelelawar hasil klasifikasi dengan nilai α = 0,75, = 1 dan =

dermatology menggunakan Naive Bayes 0,25.

sebesar 81,81% dengan waktu proses 2. Pada penelitian ini algoritma kelelawar
selama 0,15 detik dan Backpropagation mampu memberikan hasil yang
menghasilkan akurasi sebesar 61,40% konsisten sebagai feature selector
dengan waktu proses selama 2,96 detik. dalam klasifikasi dermatology dengan
Maka dapat disimpukan bahwa dengan dua metode klasifier yang berbeda
menggunakan kelelawar hasil klasifikasi yaitu : Naive Bayes dan
menjadi lebih baik walaupun waktu proses Backpropagation. Dari penelitian
relatif lebih lama bila dibandingan dengan didapatkan bahwa pemilihan fitur
tanpa menggunakan algoritma kelelawar. optimal berjumlah enam yaitu fitur ke :
4, 14, 19, 21, 24, dan 30. Algoritma
Tabel 4.2 Perbandingan dengan dan
kelelawar mempunyai kompleksitas
tanpa Algoritma Kelelawar
( ) atau kompleksitas linear. Dalam
pengujian didapatkan bahwa algoritma
kelelawar membutuhkan waktu proses
sebanyak 544 detik atau 9 menit 4

5 KESIMPULAN detik untuk mendapatkan hasil akurasi

Berdasarkan hasil penelitian paling optimal.

mengenai analisis dan implementasi

6 DAFTAR PUSTAKA
26 Jurusan Ilmu Komputer, Vol. IX, No. 2, September 2016, hlm 15-24
Ahmed Majid Taha and Alicia Y.C.
Tang.“Bat Algorithm for Rough Set
Attribute Reduction”. Journal of
Theoritical and Applied
Information Technology, Vol 51,
No.1 May 2013
Cichosz, Pawel.2015.Data Mining
Algorithm : Explanation
Using.Poland : John Wiley & Sons,
Ltd
Chiang, Yi Zhen.Dermatology : A
handbook for medical students &
junior doctors.Manchester : British
Association of Dermatologists
Davar Giveski., Hamid Salimi., Akhavan
Bitaraf., “Detection of erythemato-
squamous diseases using AR-
CatfishBPSO-KVSM”, An
Internation Journal (SIPIJ) Vol.2,
No.4, December 2011
Downey, Allen.2013.Think Bayes.United
States of America : O’Reilly
Media, Inc.
I. Jr. Fister, D. Fister, X.-S Yang. “A hybrid
bat algorithm”. Elektrotehniski
vestnik, 2013, in press.
N.Badrinath., G.Gopinath., and K.S.
Ravichandran., “ Design of
Automatic Detection of
Erythemato-squamous Disease
Through Threshold-based ABC-
FELM Algorithm”, Journal of
Aritificial Intelegence 6 (4):245-
256, 2013
Pallavi.2013.Bio Inspired Hybrid Bat
Algorithm with Naive Bayes
Classifier for Feature
Selection.International Journal of
Science and Research (IJSR) ISSN
(Online) : 2319 – 7064 Volume 4
Issue 4.
Sunday Olusanya Olatunji and Hossain
Arif, “Identification of Erythemato-
Squamous Diseases using Extreme
Learning Machine and Artificial
Neural Network” ICTACT Journal
on Soft Computing, October 2013,
Volume:04, Issue :01
Taha, Ahmed.2013.Naive Bayes – Guided
Bat Algorithm for Feature
Selection.The Scientific World
Journal Volume 2013, Article ID
325973, 9 Pages.
X.-S. Yang, A New Metaheuristic Bat-
Inspired Algorithm, in: Nature
Inspired Cooperative Strategies for
Optimization (NISCO 2010) (Eds.
J. R. Gonzalez et al.), Studies in
Computational Intelligence,
Springer Berlin, 284, Springer, 65-
74 (2010).
Xin-She Yang and Amir H. Gandomi, “Bat
Algorithm: A Novel Apporach for
Global Engineering Optimization”,
Engineering Computatuin, Vol.29,
Issue 5, pp.464-483(2012)
Xin-She Yang, Bat algorithm: literature
review and applications, Int. J. Bio-
Inspired Computation, Vol. 5, No.
3, pp. 141–149 (2013).DOI:
10.1504/IJBIC.2013.055093
Yang, X. S., (2011), Bat Algorithm for
Multiobjective Optimization, Int. J.
Bio-Inspired Computation, Vol. 3,
No. 5, pp.267-274.