KOMBINASI METODE MULTILAYER PERCEPTRON DAN TEORI FUZZY UNTUK KLASIFIKASI DATA MEDIS

Abstract

Kemajuan teknologi informasi saat ini banyak digunakan untuk membantu komputasi data dalam berbagai
penelitian, salah satunya dalam bidang kesehatan (medis). Dibutuhkan peranan teknologi informasi untuk
membantu komputasi dengan melakukan klasifikasi data medis berdasarkan keterangan-keterangan yang
menjelaskan data tersebut. Dalam tahapan klasifikasi terkadang data masih dapat timbul beberapa ketidakpastian
yang disebabkan oleh adanya informasi yang kurang tepat, ambiguitas dalam data masukan, tumpang tindih batasbatas
antara kelas, dan ketidaktentuan dalam mendefinisikan fitur. Untuk mengatasi permasalahan tersebut,
dilakukan implementasi metode Neuro-fuzzy yang menggunakan kombinasi Neural Network dan pendekatan teori
Fuzzy Set untuk klasifikasi data medis. Neuro-fuzzy merupakan penggabungan antara sistem Neural Network dan
sistem fuzzy. Sistem logika fuzzy memiliki kemampuan menangani data pengetahuan dalam persepsi dan
penalaran seperti otak manusia tetapi tidak memiliki kemampuan untuk belajar dan beradaptasi. Sedangkan Neural
Network memiliki kemampuan untuk belajar dan beradaptasi tetapi tidak memiliki kemampuan penalaran seperti
pada sistem logika fuzzy. Salah satu algoritma yang dapat diandalkan dalam klasifikasi data dari domain Neural
Network adalah Multilayer Perceptron Backpropagation Network (MLPBPN). Dari hasil uji coba didapatkan
tingkat akurasi pada dataset Breast Cancer Wisconsin, Mammographic Mass, dan Pima Indians Diabetes masingmasing
mencapai 97,512%, 84,666%, dan 81,613%. Selain itu, metode Neuro-Fuzzy dapat meningkatkan akurasi
rata-rata sebesar 3,536% dari metode ANFIS.