Prediksi Harapan Hidup Pasien Kanker Paru-Paru Pasca Operasi Bedah Thoraks Menggunakan Boosted Neural Network Dan Smote

Iedam Fardian Anshori, Dwiza Riana

Abstract


kanker paru merupakan penyebab utama kematian utama dalam kelompok kanker. Penyebab paling umum kanker paru adalah paparan dalam jangka waktu yang lama terhadap asap tembakau. Operasi toraks merupakan salah satu cabang ilmu kedokteran yang mempelajari diagnosis dan tindakan operasi pada gangguan kesehatan yang disebabkan penyakit atau cedera pada kerongkongan, paru-paru atau organ tubuh lain yang berada di dada. Namun terdapat banyak resiko dan komplikasi pasca operasi bedah toraks hingga berujung pada kematian. Pada penelitian ini, akan melakukan prediksi harapan hidup pasien kanker paru-paru setelah menjalani kehidupan satu tahun pasca operasi bedah toraks menggunakan computer aided diagnosis (CAD). Prediksi ini dilakukan dengan menganalisa kondisi pasien sebelum dan sesudah operasi. Data yang digunakan pada penelitian ini merupakan data sekunder yang berisi 470 data dengan sebaran 400 data pasien yang hidup (survival) dan 70 data pasien yang meninggal (die). Kondisi jumlah sampel yang tidak seimbang menyebabkan rendahnya prediksi pada kelas minor. Sehingga, pada penelitian ini diusulkan metode yang dapat mengatasi ketidakseimbangan kelas. Adaptive Boost digunakan sebagai optimasi level algoritma dan synthetic minority over-sampling technique (SMOTE) digunakan sebagai optimasi level data yang diterapkan pada algoritma neural network. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan yang signifikan dalam prediksi harapan hidup pasien kanker paru pasca operasi bedah toraks. Rata-rata nilai GMeans yang dihasilkan oleh metode yang diusulkan sebesar 74.17% dengan nilai prediksi tertinggi sebesar 76.76%. Sementara algoritma neural network tanpa optimasi hanya menghasilkan rata-rata nilai GMeans sebesar 53.42% dengan hasil tertinggi sebesar 61.26%. Hasil uji beda sebelum dan sesudah menggunakan optimasi menunjukan bahwa penelitian ini mampu meningkatkan performa algoritma neural network dalam mengatasi ketidakseimbangan kelas secara signifikan.


Keywords


operasi bedah toraks, neural network, adaptive boost, SMOTE

References


L. Jameson, A. S. Fauci dan D. L. Kasper, Harrison's Principles of Internal Medicine, Twentieth Edition, New York: McGraw-Hill Education, 2018.

M. J. Thun, L. M. Hannan dan L. L. Adams-Campbell, “Lung cancer occurrence in never-smokers: an analysis of 13 cohorts and 22 cancer registry studies,” PLOS Medicine, pp. 1357-1371, 2008.

K. K. Brown, T. Lee-Chiong, S. Chapman dan G. Robinson, Oxford American Handbook of Pulmonary Medicine, Oxford: Oxford University Press, 2009.

N. G. Y. Asih dan C. Effendy, Keperawatan Medical Bedah, Jakarta: Buku Kedokteran EGC, 2014.

M. K. Ferguson, Thoracic Surgery Atlas, Elsevier, 2007.

J. B. Putnam, “Lung, chest wall, pleura, and mediastinum,” dalam Sabiston Textbook of Surgery. 19th ed, Philadelphia, Saunders Elsevier, 2012.

M. Zieba, J. M. Tomczak, M. Lubicz dan J. Swiatek, “Boosted SVM for extracting rules from imbalanced data in application to prediction of the post-operative life expectancy in the lung cancer patients,” Applied Soft Computing, pp. 99-108, 2013.

P. R. Hachesu, N. Moftian, M. Dehghani dan T. S. Soltani, “Analyzing a Lung Cancer Patient Dataset with the Focus on Predicting Survival Rate One Year after Thoracic Surgery,” Asian Pacific Journal of Cancer Prevention, pp. 1531-1536, 2017.

M. Koklu, H. Kahramanli dan N. Allahverdi, “APPLICATIONS OF RULE BASED CLASSIFICATION TECHNIQUES FOR THORACIC SURGERY,” dalam Managing Intellectual Capital and Innovation for Sustainable and Inclusive Society Management, Knowledge and Learning Joint International Conference, Bari, 2015.

A. S. Desuky dan L. M. Bakrawy, “Improved Prediction of Post-operative Life Expectancy after Thoracic Surgery,” Advances in Systems Science and Application, vol. 16, no. 2, pp. 70-80, 2016.

B. Hui, H. Zhou, Y. Jiang, L. Ji dan J. Chen, “The Research of Postoperative Life Expectancy of Lung Cancer Based on Semi Naive Bayesian,” Computer Science and Artificial Intelligence(CSAI), pp. 17-19, 2017.

T. Deepa dan M. Punithavalli, “An Innovative Optimization Algorithm for Feature Selection - A Comparative Study,” International Journal of Computer Science and Information Technology & Security, pp. 20-24, 2013.

R. T. Prasetio dan P. Pratiwi, “PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS,” Jurnal Informatika, vol. II, no. 2, pp. 395-403, 2015.

D. Tiwari, “Handling Class Imbalance Problem Using Feature Selection,” nternational Journal of Advanced Research in Computer Science & Technology , pp. 516-520, 2014.

R. T. Prasetio dan E. Ripandi, “Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection,” Jurnal Informatika, vol. VI, no. 1, pp. 100-106, 2019.

J. Bourquin, H. Schmidli, P. v. Hoogevest dan H. Leuenberger, “Advantages of Artificial Neural Networks (ANNs) as alternative modelling technique for data sets showing non-linear relationships using data from a galenical study on a solid dosage form,” European Journal of Pharmaceutical Sciences, pp. 5-16, 2018.

D. Riana, Y. Ramdhani, R. T. Prasetio dan A. N. Hidayanto, “Improving Hierarchical Decision Approach for Single Image Classification of Pap Smear,” International Journal of Electrical and Computer Engineering, vol. VIII, no. 6, pp. 5415-5424, 2018.

A. Sharma dan A. Chopra, “Artificial Neural Networks: Applications In Management,” IOSR Journal of Business and Management (IOSR-JBM), pp. 32-40, 2013.

A. Sharma dan S. Dey, “A boosted SVM based sentiment analysis approach for online opinionated text,” dalam Proceedings of the 2013 Research in Adaptive and Convergent Systems, Montreal, 2013.

R. T. Prasetio, A. A. Rismayadi dan I. F. Anshori, “Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang,” Jurnal Informatika, vol. V, no. 2, pp. 186-194, 2018.

Q. Huang, Y. Chen, L. Liu, D. Tao dan X. Li, “On Combining Biclustering Mining and AdaBoost for Breast Tumor Classification,” IEEE Transactions on Knowledge and Data Engineering, p. 1, 2019.

B. J. Park, S. K. Oh dan W. Pedryez, “The Design of Polynomial Function-Based Neural Network Predictors for Detection of Software Defects,” Information Sciences, pp. 40-57, 2013.

D. Yu, J. Hu, Z. Tang, H. Shen, J. Yang dan J. Yang, “Neurocomputing Improving protein-ATP binding residues prediction by boosting SVMs with random under-sampling,” Neurocomputing, vol. 104, pp. 180-190, 2013.

C. W. Dawson, Projects in Computing and Information Systems : A Student's Guide 2nd Edition, London: Pearson Education Limited, 2009.

A. K. Pandey, M. A. Khan dan A. Swetapadma, “A Back Propagation Neural Network Based Method for Post Life Expectancy Estimation of Thoracic Surgery Patients,” dalam International Conference on Smart Technology for Smart Nation, Bengaluru, 2017.

A. Nachev dan T. Reapy, “Predictive Models for Post-Operative Life Expectancy after Thoracic Surgery,” Mathematical and Software Engineering, vol. 1, no. 1, pp. 1-5, 2015.




DOI: http://dx.doi.org/10.30811/jim.v6i1.2165

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 iedam Fardian Anshori, Dwiza Riana