Implementation of Modified Backpropagation with Conjugate Gradient as Microarray Data Classifier with Binary Particle Swarm Optimization as Feature Selection for Cancer Detection

Abstract

Cancer is one of the deadliest diseases in the world that needs to be handled as early as possible. One of the methods to detect the presence of cancer cells early on is by using microarray data. Microarray data can store human gene expression and use it to classify cancer cells. But one of the challenges of using microarray is its vast number of features, not proportional to its small number of samples. To resolve that problem, dimensionality reduction is needed to reduce the number of features stored in microarray data. Binary Particle Swarm Optimization (BPSO) is one of the methods to reduce dimensionality of microarray data that can increase classification performance. Although when combined with Backpropagation, BPSO still shows a relatively low performance. In this research, Modified Backpropagation with Conjugate Gradient is used to classify data that has been reduced with BPSO. The average accuracy result of BPSO+CGBP is 86.1%, giving it an improvement compared to BPSO+BP which averaged to 80.8%.

Analisis Seleksi Fitur Binary PSO Pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan DWKNN

“…Salah satu algoritma yang dapat digunakan untuk melakukan seleksi fitur adalah Binary Particle Swarm Optimization (BPSO). Amrullah et al (2020) berpendapat bahwa BPSO mampu menyeleksi fitur data microarray sebesar 48% dari total keseluruhan fitur. Dalam penelitiannya BPSO diuji terhadap 5 data microarray kemudian diklasifikasi menggunakan algoritma Backpropagation dan Combining Conjugate Gradient Backpropagation (CGBP) dengan hasil bahwa BPSO berhasil meningkatkan rata-rata akurasi dari algoritma CGBP hingga mencapai 86,11%.…”

“…Pada penelitian ini, algoritma BPSO digunakan untuk melakukan seleksi fitur. Pemilihan metode ini didasari oleh penelitian yang dilakukan oleh Amrullah et al (2020) dimana BPSO mampu mereduksi dimensi data yang tinggi dan mampu meningkatkan kinerja dari metode klasifikasi yang digunakan. Untuk proses klasifikasi, penulis akan menggunakan algoritma DWKNN yang didasari oleh penelitian terdahulu yang dilakukan oleh Hardianti et al (2017) dan Chrismanto et al (2020) untuk memperbaiki kelemahan dari metode KNN.…”