Kombinasi Metode Multilayer Perceptron dan Teori Fuzzy untuk Klasifikasi Data Medis

Kemajuan teknologi informasi saat ini banyak digunakan untuk membantu komputasi data dalam berbagaipenelitian, salah satunya dalam bidang kesehatan (medis). Dibutuhkan peranan teknologi informasi untukmembantu komputasi dengan melakukan klasifikasi data medis berdasarkan keterangan-keterangan yangmenjelaskan data tersebut. Dalam tahapan klasifikasi terkadang data masih dapat timbul beberapa ketidakpastianyang disebabkan oleh adanya informasi yang kurang tepat, ambiguitas dalam data masukan, tumpang tindih batasbatasantara kelas, dan ketidaktentuan dalam mendefinisikan fitur. Untuk mengatasi permasalahan tersebut,dilakukan implementasi metode Neuro-fuzzy yang menggunakan kombinasi Neural Network dan pendekatan teoriFuzzy Set untuk klasifikasi data medis. Neuro-fuzzy merupakan penggabungan antara sistem Neural Network dansistem fuzzy. Sistem logika fuzzy memiliki kemampuan menangani data pengetahuan dalam persepsi danpenalaran seperti otak manusia tetapi tidak memiliki kemampuan untuk belajar dan beradaptasi. Sedangkan NeuralNetwork memiliki kemampuan untuk belajar dan beradaptasi tetapi tidak memiliki kemampuan penalaran sepertipada sistem logika fuzzy. Salah satu algoritma yang dapat diandalkan dalam klasifikasi data dari domain NeuralNetwork adalah Multilayer Perceptron Backpropagation Network (MLPBPN). Dari hasil uji coba didapatkantingkat akurasi pada dataset Breast Cancer Wisconsin, Mammographic Mass, dan Pima Indians Diabetes masingmasingmencapai 97,512%, 84,666%, dan 81,613%. Selain itu, metode Neuro-Fuzzy dapat meningkatkan akurasirata-rata sebesar 3,536% dari metode ANFIS.