Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara

Abstract

Pada penelitian sebelumnya sudah dilakukan klasifikasi kanker payudara menggunakan kombinasi dari metode Neural Network (NN) dan Association Rules (AR). Namun metode ini dinilai masih belum optimal dikarenakan hasil rata-rata akurasinya yang menunjukkan angka kurang maksimal. Metode baru diusulkan dengan maksud untuk mencari solusi lebih baik dari metode sebelumnya dalam hal rata-rata akurasi, yaitu dengan menggunakan kombinasi metode klasifikasi Neural Network dan algoritma genetika. Metode Neural Network digunakan sebagai Artificial Intelligence untuk memprediksi kanker payudara, sedangkan algoritma genetika digunakan untuk optimasi parameter Neural Network seperti jumlah hidden layer dan learning rate agar akurasi yang dihasilkan bisa lebih bagus. Selain itu, penelitian ini bertujuan untuk membandingkan antara metode kombinasi Neural Network dan algoritma genetika dengan metode Naïve Bayesian. Metode evaluasi uji coba yang digunakan adalah metode 10 fold cross validation. Hasil uji coba 10 fold cross validation menunjukkan bahwa metode Neural Network yang optimasi parameternya menggunakan algoritma genetika menghasilkan rata-rata akurasi yang cukup tinggi yaitu 97,00%, lebih baik dari metode Naïve Bayesian yang menghasilkan rata-rata akurasi 96,24% dan juga lebih baik dari metode Neural Network dengan Association Rules yang menghasilkan rata-rata akurasi 95.6%.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).