Implementasi Metode Gravitational Search Algorithm- Adaboost Untuk Pada Prediksi Diabetes Pada Anak Berdasarkan Data Ekspresi Gen
Abstract
Diabetes merupakan penyakit parah yang terjadi
pada saat insulin tidak dapat dihasilkan dengan baik pleh
pankreas atau pada saat tubuh tidak bisa menggunakan
insulin yang diproduksi oleh pankreas secara efektif, Insulin
merupakan suatu hormon dengan fungsi mengontrol
glukosa dalam darah. Diabetes melitus tipe 1 (DMT1) sering
terjadi pada anak dan remaja hingga 90%. Data yang
berisi profil ekspresi gen pada anak-anak dengan T1D dan
T2D, pengukuran dilakukan saat diagnosis pada awal dan
diulang 4 bulan setelahnya , dan juga setelah mendapatkan
pengobatan, maka Matriks ekspresi gen kemudian
ditransposisikan dan tiga fitur demografis yang dianggap
penting yaitu usia, jenis kelamin, dan ras. Setelah
melakukan proses GSA, dataset akan dilakukan proses
klasifikasi, dengan menggunakan metode utama yaitu
Adaptive Boosting (AdaBoost), selanjutnya ditambahkan 2
metode ensemble sebagai pembanding yaitu KNeighbors
(KNN), Multi- Layer Perceptron (MLP). Kemudian
dilakukan hyperparameter tuning bertujuan untuk mencari
niai yang paling optimal dengan meningkatkan kinerja pada
model. Parameter scanning pada proses tuning dilakukan
dengan menggunakan search cross validation (grid search
CV). tersebut akan menjadi tolok ukuruntuk mengevaluaisi
ketiga model yang digunakan sehingga diperoleh hasil
paling optimal yakni AdaBoost dengan accuracy 0,666 dan
F1-Score 0,769.
Kata kunci: Diabetes melitus, Gravitational Search Algorithm, Multi-Layer Perceptron, Adaptive Boosting, KNeighbors
References
Direktorat P2PTM, “Tanda dan Gejala Diabetes .”
E. T. Faisal, “Demografi Diabetes Melitus Tipe-I
pada Anggota Ikatan Keluarga Penyandang
Diabetes Anak dan Remaja (IKADAR),” Majalah
Kedokteran Bandung, vol. 42, no. 2, pp. 82–85,
A. Ispriantari and D. P. Priasmoro,
“PERBEDAAN TANGGUNG JAWAB ANAK
DAN ORANG TUA DALAM PENGELOLAAN
DIABETES ANAK DENGAN DM TIPE 1 DI
KOTA MALANG,” Jurnal Kesehatan Hesti Wira
Sakti, vol. 7, no. 1, pp. 33–39, 2019.
W. Wibisono and H. A. Tjahjono, “Hubungan
Kadar 25-Hidroksi-Vitamin D dengan HbA1c
Melalui Interleukin-17 pada Anak Diabetes
Melitus Tipe 1,” Sari Pediatri, vol. 17, no. 6, pp.
–477, 2016.
A. B. Pulungan, G. Fadiana, and D. Annisa, “Type
diabetes mellitus in children: experience in
Indonesia,” Clinical Pediatric Endocrinology, vol.
, no. 1, pp. 11–18, 2021.
S. Afzali and O. Yildiz, “An effective sample
preparation method for diabetes prediction.,” Int.
Arab J. Inf. Technol., vol. 15, no. 6, pp. 968–973,
P. D. Pakan, “KLASIFIKASI KANKER
LEUKIMIA MENGGUNAKAN MICROARRAY
EKSPRESI GEN,” Jurnal Ilmiah Flash, vol. 4, no.
, pp. 78–83, 2018.
I. F. Rahman, “Implementasi Metode SVM, MLP
dan XGBoost pada Data Ekspresi Gen (Studi
Kasus: Klasifikasi Data Ekspresi Gen Skeletal
Muscle NGT, IGT dan Diabetes Melitus Tipe-2
GSE18732),” 2020.
F. Fallucchi and A. Cabroni, “Predicting Risk of
Diabetes using a Model based on Multilayer
Perceptron and Features Extraction,” Journal of
Computer Science, vol. 17, no. 9, pp. 748–761,
T. Madhubala, R. Umagandhi, and P.
Sathiamurthi, “Diabetes Prediction using
Improved Artificial Neural Network using
Multilayer Perceptron,” SSRG International
Journal of Electrical and Electronics Engineering,
vol. 9, no. 12, pp. 167–179, 2022.
Vinnarasi F.Sangeetha Francelin, Rose J.T.Anita,
and Jesline, “An Automatic Classification of
Diabetics with Multilayer Perceptron using
Machine Learning,” International Journal of
Recent Technology and Engineering, 2020,
[Online]. Available:
https://api.semanticscholar.org/CorpusID:240926
R. Priyadarshini, R. K. Barik, N. Dash, B. K.
Mishra, and R. Misra, “A hybrid GSA-K-mean
classifier algorithm to predict diabetes mellitus,”
in Cognitive Analytics: Concepts, Methodologies,
Tools, and Applications, IGI Global, 2020, pp.
–603.
S. K. Mohapatra, J. K. Swain, and M. N. Mohanty,
“Detection of diabetes using multilayer
perceptron,” in International Conference on
Intelligent Computing and Applications:
Proceedings of ICICA 2018, Springer, 2019, pp.
–116.
N. M. Putry, “Komparasi algoritma knn dan naïve
bayes untuk klasifikasi diagnosis penyakit diabetes
mellitus,” Evolusi: Jurnal Sains Dan Manajemen,
vol. 10, no. 1, 2022.
C. Kalpana and B. Booba, “Framework for
Prediction of Diabetes using FireFly Swarm
Intelligence Algorithm, Fuzzy C Mean and SVM
Algorithm,” in 2022 International Conference on
Inventive Computation Technologies (ICICT),
IEEE, 2022, pp. 1263–1269.
O. Findik, “Investigation Effects of Selection
Mechanisms for Gravitational Search Algorithm,”
Journal of Computer and Communications, vol. 2,
no. 04, p. 117, 2014.
N. Siddique and H. Adeli, “Gravitational search
algorithm and its variants,” Intern J Pattern
Recognit Artif Intell, vol. 30, no. 08, p. 1639001,
E. Rashedi, H. Nezamabadi-Pour, and S. Saryazdi,
“GSA: a gravitational search algorithm,” Inf Sci (N
Y), vol. 179, no. 13, pp. 2232–2248, 2009.
T.-K. An and M.-H. Kim, “A new diverse
AdaBoost classifier,” in 2010 International
conference on artificial intelligence and
computational intelligence, IEEE, 2010, pp. 359–
D.-C. Feng et al., “Machine learning-based
compressive strength prediction for concrete: An
adaptive boosting approach,” Constr Build Mater,
vol. 230, p. 117000, 2020.
