Penerapan Particle Swarm Optimization pada Metode Neural Network untuk Perawatan Penyakit Kutil melalui Immunotherapy

Penerapan Particle Swarm Optimization pada Metode Neural Network untuk Perawatan Penyakit Kutil melalui Immunotherapy

• By Purwaningsih, Esty;
• Jurnal Nasional Terakreditasi
• 359
• 67-71

Human papillomaviruses (HPVs) merupakan virus yang menimbulkan infeksi pada permukaan kulit dan dapat menyebabkan tumor sampai dengan kanker, salh satu penyakit yang disebabkan oleh HPVs adalah kutil. Immunotheraphy dapat dimanfaatkan untuk mengobati penyakit kutil. Sehingga penelitian ini melakukan penerapan metode neural network dengan algoritma PSO yang bertujuan untuk mengetahui nilai akurasi dari metode neural network dengan algoritma PSO yang berperan membantu menganalisis apakah peran immunotherapy lebih efektif dalam penyembuhan penyakit kutil. Setelah dilakukan pengujian melalui aplikasi rapid miner diketahui bahwa model Neural Network (NN) dengan algoritma PSO memiliki nilai akurasi sebesar 87.78%. Hasil perhitungan, performance keakurasian AUC sebesar 0,757 dan memiliki nilai RMSE 0.331. Dengan demikian, metode Neural Network dengan algoritma PSO dapat digunakan untuk perawatan penyakit kutil melalui immunotherapy. 

• Katakunci data mining, neural network, pso, immunotherapy
• URL https://jurnal.untan.ac.id/index.php/justin/article/view/39869/75676585959
• Penerbit Jurnal Sistem dan Teknologi Informasi (JUSTIN), Pontianak Kalimantan Barat

REFERENSI

[1]             M. M. Ghiasi and S. Zendehboudi, “Decision tree-based methodology to select a proper approach for wart treatment,” Comput. Biol. Med., vol. 108, no. February, pp. 400–409, 2019.

[2]             F. Khozeimeh et al., “Intralesional immunotherapy compared to cryotherapy in the treatment of warts,” Int. J. Dermatol., vol. 56, no. 4, pp. 474–478, 2017.

[3]             W. Jia, H. Xia, L. Jia, Y. Deng, and X. Liu, “The selection of wart treatment method based on Synthetic Minority Over-sampling Technique and Axiomatic Fuzzy Set theory,” Biocybern. Biomed. Eng., pp. 1–10, 2020.

[4]             I. Medikal, E. Üniversitesi, and E. Binası, “Naive Bayes ve En Yakın k Kom ¸ su Sınıflandırıcıları ile Si ˘ gil Tedavi Yöntemi Seçimi Choose of Wart Treatment Method Using Naive Bayes and k-Nearest Neighbors Classifiers,” pp. 0–3, 2018.

[5]             M. Abdar et al., IAPSO-AIRS: A novel improved machine learning-based system for wart disease treatment, vol. 43, no. 7. 2019.

[6]             A. Junio Guimarães, P. Vitor de Campos Souza, V. Jonathan Silva Araújo, T. Silva Rezende, and V. Souza Araújo, “Pruning Fuzzy Neural Network Applied to the Construction of Expert Systems to Aid in the Diagnosis of the Treatment of Cryotherapy and Immunotherapy,” Big Data Cogn. Comput., vol. 3, no. 2, p. 22, 2019.

[7]             S. B. Akben, “Predicting the success of wart treatment methods using decision tree based fuzzy informative images,” Biocybern. Biomed. Eng., vol. 38, no. 4, pp. 819–827, 2018.

[8]             A. Supriyatna and W. P. Mustika, “Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 2, no. 2, p. 152, 2018.

[9]             B. Santosa, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.

[10]          M. A. Witten, I. H., Frank, E., & Hall, Data Mining : Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher, 2011.

[11]          A. E, Pengantar Jaringan Saraf Tiruan. Wonosobo: Star Publishing, 2009.

[12]          K. A, Shukla; R, Tiwari;R, Real Life Application of Soft Computing. CRC Press, 2010.

[13]          H. Muhamad, C. A. Prasojo, N. A. Sugianto, L. Surtiningsih, and I. Cholissodin, “Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 180, 2017.

[14]          B. Xue, M. Zhang, S. Member, and W. N. Browne, “Particle Swarm Optimization for Feature Selection in Classification : A Multi-Objective Approach,” Ieee Trans. Cybern., pp. 1–16, 2012.

[15]          Ridwansyah, I. Ariyati, and S. Faizah, “Particle Swarm Optimization Berbasis Co-Evolusioner,” J. SAINTEKOM, vol. 9, no. 2, pp. 166–177, 2012.

[16]          F. Gorunescu, Data Mining Concepts, Models and Techniques. Berlin Heidelberg: Springer Verlag, 2011.

[17]          S. S, Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta: PT Elex Media Komputindo, 2009.