Optimasi Metode Klasifikasi Dengan Menggunakan Particle Swarm Optimization Untuk Identifikasi Penyakit Diabetes Retinopathy

Toni Arifin, Asti Herliana

DOI: https://doi.org/10.23917/khif.v4i2.6825

Abstract

Penyakit diabetic retinopathy, merupakan salah satu jenis penyakit yang bermula dari diabetes mellitus. Hingga dewasa ini, penyakit diabetic retinopathy masih sulit untuk dikenali pada tahap awal. Hal ini dimungkinkan karena sifat dari penyakit ini yang menyerang bagian dalam sistem saraf mata terlebih dulu. Hingga saat ini, para ahli masih mengandalkan pemeriksaan dengan menggunakan serangkain tes pada mata serta memeriksa rekam medis dari pasien. Metode yang digunakan hingga saat ini, selain tentunya memerlukan proses yang panjang juga menghabiskan biaya yang tidak murah. Hal ini dapat menyulitkan penderita dengan kondisi ekonomi lemah. Penelitian yang dilakukan kali ini, bermaksud untuk mendapatkan metode klasifikasi terbaik yang dapat menghasilkan tingkat akurasi yang tinggi bila dikombinasikan dengan metode Particle Swarm Optimization (PSO). Setelah didapatkan metode klasifikasi terbaik, maka dikemudian hari penelitian ini dapat dikembangkan menjadi sebuah perangkat lunak pendeteksi diabetic retinopathy. Dari penelitian yang dilakukan dapat disimpulkan bahwa metode Neural Network (NN) merupakan metode terbaik dalam menghasilkan akurasi yang tinggi bila dikombinasikan dengan metode pemilihan fitur PSO.

Keywords

diabetic retinopathy; klasifikasi; optimasi; particle swarm optimization

References

S. B, P, “Jumlah Penderita Diabetes Indonesia Terbanyak Ke-6,” www.wartaekonomi.co.id, 16-Nov-2017.

I. M. Dewi, “Mengenal Lebih Jauh Retinopathy Diabetik,” www.columbiaasia.com, 2018. [Online]. Available: https://www.columbiaasia.com/indonesia/health-articles/mengenal-lebih-jauh-retinopathy-diabetik.

A. Antal, B., & Hajdu, “An ensemble-based system for automatic screening of diabetic retinopathy,” Knowl. - Based Syst., pp. 20–27, 2014.

M. L. Valverde, C., Garcia, M., Hornero, R., & Galvez, “Automated detection of diabetic retinopathy in retinal images,” Indian J. Ophthamology, vol. 64, no. 1, pp. 26–32, 2016.

A. Herliana, “Optimasi Klasifikasi Sel Tunggal Pap Smear Menggunakan Correlation Based Features Selection ( Cfs ) Berbasis C4 . 5 Dan Naive Bayes,” J. Inform., vol. 3, no. 2, pp. 148–155, 2016.

T. Arifin, “Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear,” J. Inform., vol. 4, no. 2, pp. 155–162, 2017.

“MACHINE LEARNING REPOSITORY,” 2018. [Online]. Available: https://archive.ics.uci.edu/ml/datasets.html.

C. Fan, F. Xiao, and Y. Zhao, “A short-term building cooling load prediction method using deep learning algorithms,” Appl. Energy, vol. 195, pp. 222–233, 2017.

W. Sun, B. Zheng, and W. Qian, “Computer aided lung cancer diagnosis with deep learning algorithms,” vol. 9785, p. 97850Z, 2016.

I. H. Witten, Data Mining Practical Machine learning Tools and Techniques, vol. 18 Suppl, no. 1. 2017.

S. A. Pattekari and A. Parveen, “Prediction system for heart disease using Naive Bayes,” Int. J. Adv. Comput. Math. Sci. ISSN, vol. 3, no. 3, pp. 2230–9624, 2012.

Y. Zhang, S. Wang, P. Phillips, and G. Ji, “Binary PSO with mutation operator for feature selection using decision tree applied to spam detection,” Knowledge-Based Syst., vol. 64, pp. 22–31, 2014.

S. Raschka, “Naive Bayes and Text Classification I - Introduction and Theory,” pp. 1–20, 2014.

A. Pamungkas, “Algoritma k-means clustering dan Naive Bayes classifier untuk Pengenalan Pola Tesktur.,” pemrogramanmatlab.com, 2016. [Online]. Available: https://pemrogramanmatlab.com/2016/06/24/algoritma-k-means-clustering-dan-naive-bayes-classifier-untuk-pengenalan-pola-tesktur/.

L. Khedher, J. Ramírez, J. M. Górriz, A. Brahim, and F. Segovia, “Early diagnosis of Alzheimer’s disease based on partial least squares, principal component analysis and Support vector machine using segmented MRI images,” Neurocomputing, vol. 151, no. P1, pp. 139–150, 2015.

G. Cavallaro, M. Riedel, M. Richerzhagen, J. A. Benediktsson, and A. Plaza, “On Understanding Big Data Impacts in Remotely Sensed Image Classification Using Support vector machine Methods,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., pp. 1–13, 2015.

C. Cortes and V. Vapnik, “Support vector machine,” Mach. Learn., pp. 1303–1308, 1995.

F. Marini and B. Walczak, “Particle Swarm Optimization (PSO). A tutorial,” Chemom. Intell. Lab. Syst., vol. 149, pp. 153–165, 2015.

Article Level Metrics

Refbacks

  • There are currently no refbacks.