Application of Extreme Learning Machine Method With Particle Swarm Optimization to Classify of Heart Disease

https://doi.org/10.22146/ijccs.86291

Adela Putri Ariyanti(1*), Muhammad Itqan Mazdadi(2), Andi - Farmadi(3), Muliadi Muliadi(4), Rudy Herteno(5)

(1) Universitas Lambung Mangkurat
(2) Universitas Lambung Mangkurat
(3) Universitas Lambung Mangkurat
(4) Universitas Lambung Mangkurat
(5) Universitas Lambung Mangkurat
(*) Corresponding Author

Abstract


Penyakit jantung koroner adalah tersumbatnya suplai darah jantung. Penyakit jantung adalah penyebab utama kematian di seluruh dunia. Berbagai faktor risiko berkontribusi terhadap penyakit jantung, termasuk merokok, gaya hidup tidak sehat, kolesterol tinggi, dan hipertensi. Dengan demikian, prediksi penyakit dapat dilakukan untuk mengidentifikasi individu yang berisiko guna mencegah peningkatan kematian akibat penyakit jantung. Penambangan data, khususnya metode Extreme Machine Learning (ELM), biasanya digunakan untuk tujuan ini. ELM adalah metode jaringan saraf dalam kecepatan pelatihan dan tidak memerlukan propagasi balik, dan menentukan jumlah node tersembunyi yang optimal dan mencapai hasil yang akurat tetap menjadi tantangan. Pada penelitian ini, ELM dengan Particle Swarm Optimization (PSO) diusulkan untuk mengoptimalkan klasifikasi penyakit jantung, yang bertujuan untuk mencapai hasil optimal dengan pembelajaran cepat. Penelitian ini mengikuti proses yang sistematis, termasuk pengumpulan data, preprocessing, pemodelan, dan evaluasi menggunakan analisis matriks konfusi. Hasil dan pembahasan menyajikan efektivitas metode yang diusulkan dengan mengevaluasi akurasi klasifikasi berdasarkan berbagai parameter, seperti ukuran populasi, jumlah node tersembunyi, dan iterasi. Temuan menunjukkan bahwa ELM dengan optimasi PSO dapat memberikan hasil klasifikasi yang akurat untuk diagnosis penyakit jantung, dengan tingkat akurasi yang menjanjikan.

Keywords


Heart Disease, Extreme Learning Machine; Particle Swarm Optimization

Full Text:

PDF


References

A. N. Sari and S. Alfionita, “Klasifikasi Penyakit Jantung Menggunakan Metode Naïve Bayes,” AMRI (Analisa Metod. Rekayasa Inform., vol. 1, no. 1, pp. 22–26, 2022, doi: 10.12487/AMRI.v1i1.xxxxx. [2] A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr.2019.v24i3.2393. [3] A. A. Syafitri Hidayatul AA, Yuita Arum S, “Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2546–2554, 2018, [Online]. Available: http://j-ptiik.ub.ac.id [4] M. K. Nasution, R. R. Saedudin, and V. P. Widartha, “Perbandingan Akurasi Algoritma Naïve Bayes Dan Algoritma Xgboost Pada Klasifikasi Penyakit Diabetes,” e-Proceeding Eng., vol. 8, no. 5, pp. 9765–9772, 2021, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15759 [5] B. Gbadamosi, R. O. Ogundokun, E. A. Adeniyi, S. Misra, and N. F. Stephens, “Medical Data Analysis for IoT-Based Datasets in the Cloud Using Naïve Bayes Classifier for Prediction of Heart Disease,” Internet of Things, no. September, pp. 365–386, 2022, doi: 10.1007/978-3-031-05528-7_14. [6] N. A. Sugianto, I. Cholissodin, and A. W. Widodo, “Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine dan Particle Swarm Optimization untuk Seleksi Fitur (Studi Kasus: Program Studi Teknik Informatika FISugianto, N. A., Cholissodin, I., & Widodo, A. W. (2018). Klasifikasi Keminatan Mengg,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 5, pp. 1856–1865, 2018. [7] R. R. Wahid, F. T. Anggraeny, and B. Nugroho, “Implementasi Metode Extreme Learning Machine untuk Klasifikasi Tumor Otak pada Citra Magnetic Resonance Imaging,” Pros. Semin. Nas. Inform. Bela Negara, vol. 1, pp. 16–20, 2020, doi: 10.33005/santika.v1i0.45. [8] I. Larasati, “Analisa Perbandingan Data Mining Pada Klasifikasi Penyakit Jantung Menggunakan Algoritma Extreme Learning Machine (Elm) Dan K-Nearest Neighbor (K-NN),” p. 1, 2021. [9] A. A. Altae and A. Ehsani Rad, “Diagnosing heart disease by a novel hybrid method: Effective learning approach,” Informatics Med. Unlocked, vol. 40, no. March, p. 101275, 2023, doi: 10.1016/j.imu.2023.101275. [10] V. V. Nurdiansyah, I. Cholissodin, and P. P. Adikara, “Klasifikasi Penyakit Tuberkulosis ( TB ) menggunakan Metode Extreme Learning Machine ( ELM ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 5, pp. 1387–1393, 2020, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7237 [11] F. A. B. Darmayanti Eka Yuni, Budi Dharma Setiawan, “Particle Swarm Optimization Untuk Optimasi Bobot Extreme Learning Machine Dalam Memprediksi Produksi Gula Kristal Putih Pabrik Gula,” vol. 2, no. 11, pp. 5096–5104, 2018. [12] L. Nilawati and Y. E. Achyani, “Optimasi Metode Particle Swarm Optimization (PSO) Pada Prediksi Penilaian Apartemen,” vol. 21, no. 2, pp. 227–234, 2019, doi: 10.31294/p.v20i2.



DOI: https://doi.org/10.22146/ijccs.86291

Article Metrics

Abstract views : 702 | views : 466

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Copyright (c) 2023 IJCCS (Indonesian Journal of Computing and Cybernetics Systems)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Copyright of :
IJCCS (Indonesian Journal of Computing and Cybernetics Systems)
ISSN 1978-1520 (print); ISSN 2460-7258 (online)
is a scientific journal the results of Computing
and Cybernetics Systems
A publication of IndoCEISS.
Gedung S1 Ruang 416 FMIPA UGM, Sekip Utara, Yogyakarta 55281
Fax: +62274 555133
email:ijccs.mipa@ugm.ac.id | http://jurnal.ugm.ac.id/ijccs


View My Stats1
View My Stats2