Implementasi Generalized Learning Vector Quantization (GLVQ) dan Particle Swarm Optimization (PSO) Untuk Klasifikasi Kanker Payudara

Abstrak

Kanker payudara (KP) menjadi penyebab kematian terbesar akibat kanker setiap tahunnya. Deteksi dini yang terhambat menjadi salah satu penyebab tingginya angka kejadian KP. Klasifikasi berbasis machine learning telah banyak dimanfaatkan untuk deteksi dini secara otomatis dan mengklasifikasikan jenis kanker. Metode GLVQ digunakan untuk mengklasifikasikan KP ke dalam KP jinak atau ganas. GLVQ memiliki kepekaan terhadap inisialisasi vektor bobot secara acak yang berpengaruh pada hasil tingkat akurasi. Metode PSO digunakan untuk mengoptimasi vektor bobot awal pada GLVQ, sehingga dihasilkan vektor bobot awal yang optimal. Tahap pengolahan data yang dilakukan meliputi penanganan pencilan dengan metode Winsorizing, normalisasi z-score, dan reduksi dimensi dengan PCA. Perubahan parameter laju belajar komponen cognition, laju belajar komponen sosial, dan inertia pada PSO berpengaruh terhadap hasil optimasi vektor bobot yang ditunjukkan melalui nilai rata-rata fitness yang dihasilkan. Kombinasi  laju belajar komponen cognition=2,4, laju belajar komponen sosial=2,1, dan inertia=0,6 menghasilkan nilai rata-rata fitness tertinggi sebesar 0,91868. Perubahan parameter laju pembelajaran dan jumlah vektor bobot per kelas pada GLVQ berpengaruh terhadap tingkat akurasi dan tingkat kesalahan hasil klasifikasi kanker payudara yang dihasilkan. Kombinasi  laju pembelajaran=0,1, jumlah vektor bobot per kelas=5, epoch maksimum sebesar 100, dan toleransi kesalahan minimum sebesar 0,0000001 menghasilkan nilai rata-rata akurasi tertinggi sebesar 0,956044. Performa PSO-GLVQ memberikan nilai akurasi, recall, dan F2-Score yang lebih tinggi dibandingkan GLVQ.