ILMU KOMPUTER
Universitas Udayana
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.
ABSTRACT
15
16 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
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
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
= , = 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
alir dari sistem. Pertama-tama user sampel pasien yang masing – masing
Selanjutnya yaitu proses pemilihan fitur mempunyai jumlah fitur yang cukup
section didapatkan tabel bayangan dari pada mulanya didiagnosa secara klinis
yang telah dipilih oleh setiap kelelawar. pasien diambil sebagai diagnosa 22 fitur
mencari nilai fitness setiap kelelawar, klinis maupun histopatologis dapat dilihat
d. Metode Brute Force yang digunakan menunjukan bahwa hasil paling optimal
sebagai perbandingan efisiensi waktu yaitu menggunakan enam fitur terpilih pada
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.
yang akan dieksekusi oleh Brute Force kompleksitas linear yaitu kompleksitas
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
Ahmed Majid Taha and Alicia Y.C. Science and Research (IJSR) ISSN
Tang.“Bat Algorithm for Rough Set (Online) : 2319 – 7064 Volume 4
Attribute Reduction”. Journal of Issue 4.
Theoritical and Applied Sunday Olusanya Olatunji and Hossain
Information Technology, Vol 51, Arif, “Identification of Erythemato-
No.1 May 2013 Squamous Diseases using Extreme
Cichosz, Pawel.2015.Data Mining Learning Machine and Artificial
Algorithm : Explanation Neural Network” ICTACT Journal
Using.Poland : John Wiley & Sons, on Soft Computing, October 2013,
Ltd Volume:04, Issue :01
Chiang, Yi Zhen.Dermatology : A
handbook for medical students & Taha, Ahmed.2013.Naive Bayes – Guided
junior doctors.Manchester : British Bat Algorithm for Feature
Association of Dermatologists Selection.The Scientific World
Davar Giveski., Hamid Salimi., Akhavan Journal Volume 2013, Article ID
Bitaraf., “Detection of erythemato- 325973, 9 Pages.
squamous diseases using AR- X.-S. Yang, A New Metaheuristic Bat-
CatfishBPSO-KVSM”, An Inspired Algorithm, in: Nature
Internation Journal (SIPIJ) Vol.2, Inspired Cooperative Strategies for
No.4, December 2011 Optimization (NISCO 2010) (Eds.
Downey, Allen.2013.Think Bayes.United J. R. Gonzalez et al.), Studies in
States of America : O’Reilly Computational Intelligence,
Media, Inc. Springer Berlin, 284, Springer, 65-
I. Jr. Fister, D. Fister, X.-S Yang. “A hybrid 74 (2010).
bat algorithm”. Elektrotehniski Xin-She Yang and Amir H. Gandomi, “Bat
vestnik, 2013, in press. Algorithm: A Novel Apporach for
N.Badrinath., G.Gopinath., and K.S. Global Engineering Optimization”,
Ravichandran., “ Design of Engineering Computatuin, Vol.29,
Automatic Detection of Issue 5, pp.464-483(2012)
Erythemato-squamous Disease Xin-She Yang, Bat algorithm: literature
Through Threshold-based ABC- review and applications, Int. J. Bio-
FELM Algorithm”, Journal of Inspired Computation, Vol. 5, No.
Aritificial Intelegence 6 (4):245- 3, pp. 141–149 (2013).DOI:
256, 2013 10.1504/IJBIC.2013.055093
Pallavi.2013.Bio Inspired Hybrid Bat Yang, X. S., (2011), Bat Algorithm for
Algorithm with Naive Bayes Multiobjective Optimization, Int. J.
Classifier for Feature Bio-Inspired Computation, Vol. 3,
Selection.International Journal of No. 5, pp.267-274.