Klasifikasi Data Cardiotocography Dengan Integrasi Metode Neural Network Dan Particle Swarm Optimization

Backpropagation (BP) adalah sebuah metode yang digunakan dalam training Neural Network (NN) untuk menentukan parameter bobot yang sesuai. Proses penentuan parameter bobot dengan menggunakan metode backpropagation sangat dipengaruhi oleh pemilihan nilai learning rate (LR)-nya. Penggunaan nilai learning rate yang kurang optimal berdampak pada waktu komputasi yang lama atau akurasi klasifikasi yang rendah. Penelitian ini mengusulkan algoritma Particle Swarm Optimization (PSO) dalam training Neural Network untuk optimasi penentuan nilai bobot Neural Network dalam klasifikasi data Cardiotocography. Principal Component Analysis (PCA) diimplementasikan untuk reduksi fitur data Cardiotocography. Berdasarkan hasil uji coba, implementasi Principal Component Analysis mampu meningkatkan akurasi klasifikasi sebesar rerata 0.04%. Sedangkan optimasi Particle Swarm Optimization pada proses training Neural Network menghasilkan peningkatan kecepatan komputasi sebesar rerata 6 kali pada berbagai jumlah Neuron dan nilai learning rate yang berbeda dengan nilai perbedaan akurasi klasifikasi yang tidak signifikan.