Konferensi Nasional Sistem & Informasi 2016
1
STT Ibnu Sina Batam , 11 – 13 Agustus 2016
Klasifikasi Tingkat Resiko Stroke Menggunakan Improved Particle Swarm Optimization dan Support Vector Machine Imam Cholissodin1), Fajar Farisuddin2), Edy Santoso3) Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Jl. Veteran No.8 Malang, Informatika, Gedung A FILKOM – UB Email :
[email protected],
[email protected],
[email protected] 1,2,3
Abstrak Kesehatan syaraf otak manusia sangatlah penting, maka diperlukan pemeriksaan secara rutin untuk mencegah adanya penyakit berat seperti stroke. Selama ini sering sekali terjadi pasien yang terlambat ditangani, padahal peluang pasien bisa diobati paling utama pada tindakan-tindakan awal saat sebelu kejadian. Oleh sebab itu, perlu dibuat suatu sistem yang mampu untuk bekerja secara otomatis dan secara langsung dapat membantu seseorang dalam menekan resikonya. Dalam mesin pembelajaran, Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO) terbukti telah banyak diterapkan dalam topik klasifikasi dan optimasi dibidang kesehatan untuk membuat membuat sistem cerdas tersebut. PSO handal dalam mencari parameter yang optimal untuk SVM, namun sering terjebak pada lokal optimum. Penelitian ini mengusulkan teknik Random Injection sebagai metode perbaikan, Improve PSO (IPSO) yang memiliki kemampuan mengeluarkan PSO menuju global optimum. Hasil pengujian menunjukkan bahwa IPSO-SVM tidak mudah terjebak pada konvergensi dini yang dapat dilihat dari visualisasi grafik pengujian perubahan nilai fitness pada iterasinya. Kata kunci: Stroke, Support Vector Machine, Improved Particle Swarm Optimization, Klasifikasi.
1. Pendahuluan Stroke merupakan gangguan pada fungsi saraf pusat, karena tidak adanya suplai darah pembawa oksigen dan glukosa yang dapat beresiko pada tingkat keparahan ringan hingga berat secara cepat maupun perlahan. Data kasus stroke tahun 2013 di Indonesia mencapai 12,1 dari 1000 orang dan akan mengalami peningkatan selaras dengan meningkatnya faktor resiko dan jumlah penduduk yang berusia lanjut. Permasalahan stroke menurut yayasan stroke Indonesia sangat membutuhkan penanganan yang serius, dikarenakan penderita stroke di Indonesia jumlahnya besar pada urutan pertama di Asia. Sedangkan dari segi faktor penyebab kematian, stroke menempati urutan kedua di dunia [1][5]. Meski kasus stroke di Indonesia memiliki kecenderungan mengalami peningkatan cukup tinggi, namun perhatian pemerintah pada penyakit degeneratif (selain penyakit menular) masih kurang. Belum ada solusi mengenai upaya strategis untuk mengurangi insiden stroke yang sebenarnya dapat berupa pencegahan secara efektif sebelum terjadi stroke dan peningkatan pengelolaan stroke secara optimal. Lagipula penentuan pendeteksian pada pasien stroke memerlukan waktu yang relatif tidak singkat. Padahal keterlambatan penanganan medis mengakibatkan pasien dapat mengalami kelumpuhan atau bahkan bisa mengakibatkan kematian. Sedangkan stroke tidak berarti menjadi putus harapan, menurut Dr. Heri Aminuddin MD spesialis bedah saraf "Masih banyak peluang untuk melanjutkan hidup bagi pasien stroke dengan kualitas (keparahan stroke) tertentu meskipun kepulihan tidak menjadi 100 persen"[2]. Maka dari berbagai permasalahan tersebut, dibutuhkan sistem cerdas yang bisa memudahkan dan mempercepat pendeteksian resiko sehingga peluang sembuh akan semakin besar. Dengan sistem cerdas maka efisiensi biaya penanganan juga dapat dioptimalkan dan pasien yang bukan ahli medis dapat secara mudah mengetahui penyakit yang dideritanya dari data hasil tes kesehatan serta ahli medis pun dapat memanfaatkan sistem cerdas ini untuk meringankan tugas mereka. Beberapa penelitian terkait dengan stroke diantaranya pernah dilakukan oleh Dwi Ratnasari yaitu mengenai klasifikasi kondisi pasien stroke menggunakan regresi logistik dan SVM, namun penelitian ini berfokus pada kondisi pasien setelah pengobatan (keluar dari rumah sakit) berdasar penyakit-penyakit yang menyertai stroke dengan 3 kriteria yang berpengaruh yaitu usia, TIA (Transcient Ischemic Attack) dan tipe stroke yang diderita. Hasil pengujian SVM 80% dan regresi logistik 74,19% [6]. Dalam memilih metode klasifikasi yang terbaik, Wawan dan M. Hendayun pernah melakukan penelitian membandingkan metode Decision Tree, Naive Bayes, Support Vector Machine (SVM) dan KNN untuk klasifikasi email Spam dan Non-Spam. Berdasarkan precision untuk SVM memiliki kinerja
L-2
2 keseluruhan yang paling bagus. Hasil pengujian didapat precision decision tree 89.82%, naive bayes 66,95%, SVM 91,65%, dan KNN 81,77%. SVM juga cukup akurat jika dibanding algoritma lain, akan tetapi kendala algoritma ini adalah sensitif terhadap pemilihan perameter yang digunakan [7]. Parameter yang tepat dianggap dapat meningkatkan akurasi pada SVM. Namun kesulitan menentukan parameter yang tepat menjadi kendala dalam meningkatkan akurasi SVM. Maka akurasi dapat ditingkatkan dengan seleksi nilai terbaik dari parameter. Diperlukan optimasi parameter agar akurasi yang didapatkan semakin tinggi. Optimasi dapat menggunakan beberapa pilihan seperti algoritma Particle Swarm Optimization (PSO) atau Algoritma Genetika. Yuniar Marbun dkk [8], kedua algoritma tersebut memiliki hasil yang variatif tergantung parameter yang dimasukkan saat pengujian dan bilangan acak yang dibangkitkan saat proses berjalan. Hasil penelitian PSO lebih stabil dalam nilai fitness daripada Genetic Algoritm (GA), namun mudah terjebak pada konvergensi dini. Pada penelitian yang dilakukan oleh Mahmudy (2015) telah mencoba memperbaiki PSO dengan memberikan teknik Random Injection atau disebut dengan IPSO, yang membuat PSO mampu untuk keluar dari konvergensi dini [9]. Berdasarkan latar belakang tersebut, maka penelitian ini menggunakan metode IPSO-SVM untuk klasifikasi tingkat resiko Stroke. 2. Tinjauan Pustaka 2.1 Penyakit Stroke Penyakit Stroke pada Gambar 1 adalah suatu serangan pada saraf pusat otak akibat gangguan pembuluh darah dalam menyuplai darah yang membawa oksigen dan glukosa untuk metabolisme sel-sel otak agar dapat tetap melaksanakan fungsinya. Penyebab utama gangguan pembuluh darah adalah penyumbatan kolesterol. Resiko stroke sesuai data dari Laboratorium klinik sejahtera diklasifikasikan menjadi 3 kelas. Beberapa faktor yang paling berpengaruh yang biasanya diperiksa dalam laboratorium untuk deteksi stroke adalah umur, total kolesterol, HDL, LDL, dan trigliserida [5].
Gambar 1. Penyakit Stroke Sumber: Buku Iman Soeharto [11] 2.2 Support Vector Machine SVM teknik klasifikasi dengan proses pelatihan (supervised learning) untuk menemukan garis pemisah (hyperplane) terbaik dengan f(x). n (1) f x = sign i yi K x, xi b i 1 SVM dengan data nonlinier harus menggunakan kernel untuk mempermudah perhitungan, salah satu kernel yang sering digunakan adalah RBF. x y 2 (2) K x, y exp 2 2 Pencarian nilai α sesuai jurnal Vijayakumar [4] dapat dipermudah dengan proses sequential learning. Dengan menghitung matriks hessian dan melakukan iterasi pelatihan α. Matriks hessian memiliki simbol [D].
Dij yi y j K xi , x j 2
(3)
L-2
3 Pelatihan α dengan 3 persamaan sesuai jurnal Vijayakumar. n
a. E = D i j ij
(4)
j 1
b. i = min max 1 - E i , i , C i c. i i i
(5) (6)
Jika data yang digunakan memiliki kelas lebih dari 2, maka harus menggunakan SVM multiclass untuk proses klasifikasi. Salah satu metode multiclass adalah one against all. Membandingkan data secara bertahap agar bisa mendapatkan kelas data walaupun kelas lebih dari 2.
2.3 IPSO Improve Particle swarm optimization, disingkat sebagai IPSO, merupakan perbaikan dari algoritma PSO dasar yang didasarkan pada perilaku sebuah kawanan serangga, seperti semut, rayap, lebah atau burung [8]. IPSO dalam mencari optimasi dengan mencari posisi terbaik melalui update posisi berulang-ulang. Pada PSO keragaman individu cenderung kecil, jika sudah mencapai pada iterasi tertentu. Cara kerja dari IPSO dengan melakukan proses Random Injection untuk menggantikan beberapa partikel secara berkala yang memiliki nilai fitness rendah. (7) x t 1 x t v t 1 i, j
i, j
i, j
Update posisi didapat dari posisi lama dan kecepatan partikel. Kecepatan partikel awal sama dengan 0. Sedangkan kecepatan selanjutnya didapat berdasarkan penelitian Chen, Hui, Ling, dkk [10], dan hal ini sangat berbeda dengan jurnal Abdulhamit Subasi [3]. PSO yang digunakan oleh Chen mampu melakukan proses adaptif dari nilai c1, c2 dan w menggunakan konsep time varying acceleration coefficients (TVAC) dan time varying inertia weight (TVIW), dengan tujuan agar setiap partikel yang ada dalam populasi mampu melakukan proses eksplorasi dan eksploitasi secara optimal sesuai dengan besarnya nilai iterasi yang dijalankan pada saat proses optimasi berlangsung.
vit,j1 w.vit, j c1.r1 Pbestit, j xit, j c2 .r2 Gbestgt , j xit, j
(8)
3. Metode Penelitian Pada penelitian ini dibutuhkan data berupa daftar kondisi tubuh pasien yang diperlukan untuk data latih dan data uji. Data yang digunakan dalam penelitian adalah data rekam medik yang diperoleh dari Laboratorium Klinik Sejahtera. Pengklasifikasian yang dibuat mempunyai lima variabel masukan dan satu variabel keluaran. Kelima variabel masukan tersebut terdiri dari umur, total kolesterol, HDL (High Density Lipoprotein), LDL (Low Density Lipoprotein), dan trigliserida. Dari variabel masukan yang ada selalu disertakan variabel keluaran sebagai hasil deteksi dari pengolahan variabel masukan. Variabel keluaran berupa salah satu status resiko terkena serangan stroke yaitu normal, rentan, dan mengkhawatirkan. 3.1 Menentukan nilai parameter Pada studi kasus ini nilai yang dioptimasi sebanyak 4 parameter, yaitu nilai augmenting factor (λ), konstanta learning rate (cγ), konstanta biaya (C), dan varian (σ). Dengan ketentuan batas bawah dan batas atas dari tiap parameter pada Tabel 1.
Batas Bawah Atas
Tabel 1. Range Parameter SVM σ λ C 0.0001 1 1 2 67 200
cγ 1e-5 1e-1
3.2 One Against All Dalam proses SVM multi kelas, harus ditentukan kelas positif dan kelas negatif pada data latih. Untuk penelitian ini, terdapat 3 kelas sehingga dilakukan pembagian kelas positif dan negatif sebanyak 2 kali, pembagian pertama status resiko normal merupakan kelas positif, dan selain itu kelas negatif. Sedangkan pembagian kedua status resiko rentan merupakan kelas positif, dan status resiko mengkhawatirkan merupakan kelas negatif (contoh data dan kelas dapat dilihat pada Tabel 2).
L-2
Klasifikasi Tingkat Resiko Stroke Menggunakan IPSO-SVM (Imam Cholissodin)
4 Tabel 2. One Against All y
Data
Status resiko
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Normal Normal Normal Normal Normal Rentan Rentan Rentan Rentan Rentan Mengkhawatirkan Mengkhawatirkan Mengkhawatirkan Mengkhawatirkan Mengkhawatirkan
level 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
level 2 1 1 1 1 1 -1 -1 -1 -1 -1
4. Hasil Pengujian Pengujian tingkat akurasi dapat dilakukan dengan membandingkan kecepatan konvergensi dari PSO-SVM dan IPSO-SVM. Pada Gambar 2 menunjukkan bahwa PSO cenderung cepat mengalami kondisi konvergen pada iterasi ke-10 dan sedangkan IPSO terus menjaga untuk tidak terjebak pada konvergensi dini. 90 80
Akurasi (%)
70 60 50 40
IPSO-SVM
30
PSO-SVM
20 10 0 0
20
40
60
80
100
120
Jumlah Iterasi
Gambar 2. Pengujian Konvergensi
5. Simpulan Berdasarkan pada hasil perancangan, implementasi, dan pengujian yang telah dilakukan maka didapatkan kesimpulan sebagai berikut. 1. Dalam mengimplementasikan IPSO-SVM untuk klasifikasi dengan langkah-langkah, yaitu menentukan nilai partikel, sequential training, nilai bias, menghitung fitness. Dari tiap fitness IPSO dapat ditentukan pbest dan gbest sebagai hasil terbaik untuk optimasi parameter-parameter SVM. 2. Berdasarkan hasil pengujian konvergensi, didapatkan IPSO-SVM tidak mudah terjebak pada konvergensi dini.
L-2
5 Daftar Pustaka [1] Badan Penelitian Dan Pengembangan Kesehatan. 2013. Riset Kesehatan Dasar. Jakarta: Kementrian Kesehatan RI. [2] J. Mackay and G. Mensah. 2008. The Atlasof Heart Diseaseand Stroke. World Health Organization. Geneva, Switzerland. [3] Subasi, Abdulhamit. 2013. Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders. International Burch University. Sarajevo, Bosnia and Herzegovina. [4] Vijayakumar, S., 1999. Sequential Support Vector Classifiers and Regression. In Proceedings of International Conference on Soft Computing (SOCO ‘99). pp. 610–619. [5] Iman, Soeharto. Maret 2012, Serangan Jantung Dan Stroke, HubungannyaDengan Lemak Dan Kolesterol, Edisi Kedua. PT. Gramedia Pustaka, Jakarta. [6] Dwi Ratnasari. 2013. Klasifikasi kondisi pasien stroke menggunakan regresi logistik dan SVM. Institut Teknologi Sepuluh November. Surabaya. [7] Wawan dan Hendayun M. 2013. Kinerja Algoritma Data Mining Decision Tree (ID3, C4.5, C5.0), Naive Bayes, SVM dan kNN untuk klasifikasi email Spam dan Non-Spam. Bandung. [8] Marbun, Yuniar dkk. 2013. Analisa PSO dan GA untuk optimasi penjadwalan matakuliah. Universitas Indonesia. Jakarta. [9] W. F. Mahmudy. 2015. Improved Particle Swarm Optimization untuk Menyelesaikan Permasalahan Part Type Selection dan Machine Loading pada Flexible Manufacturing System (FMS). Konferensi Nasional Sistem Informasi, Universitas Klabat, Airmadidi, Minahasa Utara, Sulawesi Utara. [10] Chen, Hui, Ling, dkk. 2011, An Adaptive Fuzzy K-Nearest Neighbor Method Based on Parallel Particle Swarm Optimation for Bankruptcy Prediction, Part 1 LNAI 6634 Page 249-264, SpringerVerlag Berlin Heidelberg. [11] Soeharto, Iman. Maret 2012, Serangan Jantung Dan Stroke, Hubungannya Dengan Lemak Dan Kolesterol, Edisi Kedua. PT. Gramedia Pustaka, Jakarta.
L-2
Klasifikasi Tingkat Resiko Stroke Menggunakan IPSO-SVM (Imam Cholissodin)
