Analisis Alokasi Sumber Daya Pada Cognitive Radio Network Menggunakan Algoritma Ant Colony System Dengan Modifikasi Pada Ant Matrix
DOI:
https://doi.org/10.34818/eoe.v7i3.13967Abstract
Penyakit parkinson adalah penyakit yang menyerang sistem motorik manusia dan termasuk salah satu penyakit yang sulit untuk didiagnosa. Untuk diagnosa penyakit parkinson dibutuhkan metode khusus yang dapat mendiagnosa penyakit parkinson. Hingga saat ini, belum ada satu tes spesifik untuk mendiagnosa adanya penyakit parkinson pada tubuh secara akurat. Penyebab penyakit ini adalah rusaknya sel syaraf yang bernama substantia nigra yang berfungsi menghasilkan senyawa bernama dopamin. Penderita parkinson biasanya mengalami kaku pada otot dan mengalami kesulitan dalam berjalan. Penelitian ini dilakukan dengan cara mengklasifikasi rekaman sinyal yang dihasilkan oleh sensor yang bersumber dari database physiobank. Sensor VGRF yang berjumlah 16 sensor dipasang pada kaki saat berjalan, lalu hasil dari sensor inilah yang nantinya akan diproses dengan metode principal component analysis (PCA) untuk menentukan karakteristik data dan random forest untuk mengklasifikasi data. Banyaknya data dan atribut yang terdapat pada database akan diolah sehingga data lebih sederhana, namun variasi data tetap terjaga, karena variasi dan karakteristik data akan sangat berpengaruh dalam hasil akurasi sistem. Penelitian ini bertujuan untuk membantu mendiagnosa sejak dini pada pasien yang diduga mengidap penyakit parkinson. Sistem yang dihasilkan pada penilitian ini diharapkan dapat membantu proses diagnosa pasien berdasarkan jejak rekam medis pasien. Reduksi dimensi data dapat dicapai menggunakan metode PCA, yaitu dengan mengubah dimensi data sebanyak 0,142% dari data utama. Metode random forest dapat mengkliasifikasi data dengan baik, hal ini dicapai dengan kombinasi parameter n_estimator = 31 dan max depth = 9. Akurasi terbaik yaitu sebesar 95,13 % namun proses komputasi memerlukan waktu 85 detik, sedangkan waktu komputasi terbaik didapatkan dengan menggubah paramaeter max depth = 2 dengan waktu 68 detik namun dengan akurasi 71%. Kata kunci: Penyakit Parkinson, Principal Component Analysis, Random Forest.Downloads
References
[1] NINDS, Hope Through Research: Parkinson’s Disease, USA: National Institutes of Health, 1994.
[2] P. J. Jankovic, Parkinson’s Disease Center and Movement Disorders Clinic, Texas, USA.: Baylor College of Medicine, Department of Neurology Texas, 2008, p. Department of Neurology.
[3] G. A. Arrazaq, "Diagnosis Of Parkinson’s Disease Through Gait Analysis Based On Vgrf Using Wavelet And Support Vector Machine," vol. Vol 4, p. 1855, 2017.
[4] L. Medeiros, "A Gait Analysis Approach to Track Parkinson’s Disease Evolution Using Principal Component Analysis," IEEE 29th Int. Symp. Comput. Med. Syst, vol. 29, p. 6, 2016.
[5] M. Margaret, "Parkinsonism: Onset, Progression, And Mortality," Neurology 17.5, vol. 5, p. 427, 1967.
[6] A. Goldberger and L. Amaral, "PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals," Circulation [Online]. , vol. 101 (23), pp. 215-220, 2000.
[7] P. e. al, "Scikit-learn: Machine Learning in Python," JMLR, vol. 12, pp. 2825-2830, 2011.
[8] I. Smith, A tutorial on Principal Components Analysis, New York: John Wiley & Sons Inc, 2002.
[9] I. Bajwa, "PCA Based Classification Of Single-Layered Cloud Types," Market Forces, vol. 1, 2005.
[10] I. Jollife, Principal Component Analysis, Berlin: Springer, 2011.
[11] H. Varian, "Bootstrap Tutorial," Mathematics Journal, vol. 9.4, pp. 768-775, 2005.
[12] L. Breiman, "Random Forest," Machine Learning, vol. 45, pp. 5-22, 2001.
[13] J. Friedman, "The elements of statistical learning," Machine Learning, vol. 1, pp. 5-32, 2001.
[14] A. Ramadhan and B. Susetyo, "PENERAPAN METODE KLASIFIKASI RANDOM FOREST DALAM MENGIDENTIFIKASI FAKTOR PENTING PENILAIAN MUTU PENDIDIKAN," Jurnal Pendidikan Dan Kebudayaan, vol. 4, pp. 169-182, 2019.
[15] M. F. Setiadi, "mfikri.com," December 2017. [Online]. Available: http://mfikri.com/artikel/aturan-dan-teknik-dalam-melakukan-normalisasi-data.html. [Accessed April 2019].
[16] R. Purnamasari and I. Zakia, "FAST FOURIER TRANSFORM SPARSITY FOR HIGH QUALITY WEATHER RADAR RECONSTRUCTION," 2019 IEEE International Geoscience and Remote Sensing Symposium, pp. 7748-7751, 2019.



