Peningkatan Identifikasi PCOS dengan KELM melalui Seleksi Fitur LDA dan Deteksi Outlier LOF

Abstract

Polycystic Ovary Syndrome (PCOS) merupakan kelainan yang terjadi pada organ reproduksi perempuan. Kelainan ini mempunyai dampak implikasi klinis yang beragam dan serius, diantaranya pada bagian reproduksi, metabolisme, hingga gangguan psikologis. Identifikasi yang tepat sangat penting untuk meningkatkan penanganan. Penelitian ini bertujuan untuk menguji efektivitas metode Kernel Extreme Learning Machine (KELM) dalam mengidentifikasi PCOS setelah penghapusan outlier dengan Local Outlier Factor (LOF) dan seleksi fitur menggunakan Linear Discriminant Analysis (LDA). Dalam penelitian ini, metode KELM mengidentifikasi kelainan PCOS dengan klasifikasi berdasarkan data rekam medis pasien. Penelitian ini juga melibatkan pengolahan data dengan LOF untuk menangani data outlier dan seleksi fitur terbaik menggunakan LDA guna meningkatkan akurasi identifikasi kelainan PCOS. Berbagai uji coba dilakukan, untuk mengoptimalkan hasil identifikasi kelainan PCOS. Hasil penelitian menunjukkan bahwa ketiga kombinasi dari metode LOF, LDA, dan KELM memperoleh nilai akurasi sebesar 100% dengan eliminasi 10% data outlier dan 10 fitur utama. Hal ini yang menunjukkan kombinasi ketiga metode ini mampu meningkatkan kualitas deteksi dan identifikasi kelainan PCOS.