Abstract:
Kanker paru-paru merupakan penyebab utama kematian akibat kanker di seluruh dunia. Penangan yang umum dilakukan pada pasien kanker paru-paru adalah bedah toraks. Namun terdapat banyak resiko dan komplikasi pasca operasi 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. Data yang digunakan adalah data sekunder untuk pasien kanker paru-paru primer pada tahun 2007-2011 yang berisi 470 instance dengan data untuk kelas kematian dalam satu tahun setelah operasi sebesar 70 dan 400 data pada kelas bertahan hidup. Algoritma yang digunakan adalah Extreme learning machine (ELM) untuk klasifikasi yang cenderung cepat dalam proses pembelajaran dan memiliki performa generalisasi yang baik. SMOTE digunakan untuk menyelesaikan masalah data yang tidak seimbang. Solusi yang diusulkan menggabungkan manfaat dari penggunaan SMOTE untuk data yang tidak seimbang bersama dengan ELM. Hasil penelitian menunjukkan ELM dan SMOTE mengungguli algoritma lain seperti Naïve Bayes, Decision stump, J48, dan Random Forest. Hasil terbaik pada ELM diperoleh pada neuron 50 dengan akurasi 89.1%, F-Measure 0.86, dan ROC 0.794. Pada penggabungan ELM dan SMOTE mendapatkan akurasi 85.22%, F-measure 0.864, dan ROC 0.855 pada neuron 45 menggunakan proporsi pembagian data 90:10. Hasil pengujian menunjukkan bahwa metode yang diusulkan mampu meningkatkan performa algoritma ELM dalam mengatasi ketidakseimbangan kelas secara signifikan.
