Optimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke

Abstrak

Stroke merupakan salah satu penyakit dengan tingkat kematian yang tinggi di Indonesia. Pendeteksian penyakit stroke dapat dilakukan dengan berbagai cara, salah satunya dengan melakukan cek darah. Umumnya pemeriksaan dilakukan terlebih dahulu kemudian hasil identifikasi tingkat resiko stroke dapat diketahui setelahnya. Jaringan multi-layer perceptron (MLP) merupakan salah satu model jaringan syaraf tiruan (JST) yang memiliki bobot acak dari pelatihan backpropagation (BP). Pelatihan ini melakukan optimasi untuk mendapatkan bobot yang lebih baik pada jaringan MLP dengan menggunakan algoritma genetika sebagai pelatihan, sehingga diharapkan hasil klasifikasi lebih akurat. Implementasi, pengujian, dan analisis dilakukan pada metode pembelajaran BP dan algoritma genetika untuk membandingkan hasil akurasi untuk pengklasifikasian tingkat resiko penyakit stroke. Pada pengujian BP didapatkan nilai rata-rata MSE sebesar 0.01221 dengan parameter berupa jumlah iterasi = 190, jumlah neuron pada hidden layer = 10, dan learning rate = 0.9. Sedangkan nilai rata-rata MSE metode AG adalah 0.0549 dengan ukuran populasi = 100, banyak generasi = 400, Cr = 0.8 dan Mr = 0.2. Rata-rata akurasi data yang dihasilkan dengan BP sebesar 88.40% dan rata-rata MSE 0.0122, sedangkan AG menghasilkan rata-rata akurasi data 60.60% dengan rata-rata MSE 0.0549 pada 10 kali percobaan.