Paper Review: Hybrid Genetic Algorithm and a Fuzzy Logic Classifier for Heart Disease Diagnosis

Paper Review oleh Edward Pratama Putra, Maverick Jonathan, Nathaniel Wikamulia, dan Stefanus Michael

Editor: Amalia Zahra, S.Kom., Ph.D.

Referensi: Reddy, G.T., Reddy, M.P.K., Lakshmanna, K. et al. Hybrid genetic algorithm and a fuzzy logic classifier for heart disease diagnosis. Evol. Intel. 13, 185–196 (2020).

Dataset yang Digunakan: UCI heart disease datasets

Usulan Metode: AGAFL (Adaptive Genetic Algorithm Fuzzy Logic) classifier

Tujuan penelitian: Memprediksi terjadinya heart disease pada pasien dengan menggunakan fuzzy logic, serta melakukan optimisasi prediksi dengan menggunakan adaptive genetic algorithm untuk meningkatkan akurasi dan mengurangi waktu prediksi.

Masalah yang ditemukan oleh peneliti/penulis: Algoritma yang sudah pernah digunakan pada penelitian sebelumnya sudah cukup baik untuk melakukan prediksi heart disease, namun ketika pengurangan feature terjadi akibat penggunaan optimization algorithms, performa dari algoritma prediksi dalam aspek akurasi, sensitivity, dan specificity berkurang secara drastis.

Rincian usulan metode secara umum:

1. Pengurangan dimensi menggunakan Rough Sets Theory (untuk memilih fitur-fitur yang paling relevan).
2. Membuat rule dengan menggunakan Fuzzy Logic Classifier..
3. Mengoptimalkan rule yang telah dibuat dengan menggunakan Genetic Algorithm.

Rincian metode adaptive genetic algorithm yang digunakan adalah sebagai berikut:

1. Membuat populasi serta menentukan
2. Menghitung fitness setiap chromosome dengan menggunakan fitness function.
3. Melakukan tahap selection untuk mencari
4. Melakukan tahap crossover sesuai dengan probabilitas crossover yang ditentukan.
5. Melakukan mutasi terhadap locus didalam chromosome offspring, sesuai dengan probabilitas mutasi adaptif yang ditentukan berdasarkan nilai fitness dari parent chromosome.
6. Memasukkan offspring ke dalam populasi

Parameter tambahan adaptive genetic algorithm adalah sebagai berikut:

1. Probabilitas mutation ditentukan berdasarkan fitness value dari kedua parent. Semakin rendah fitness value, maka semakin tinggi kemungkinan crossover dan mutation.
2. Probabilitas crossover ditentukan dengan menggunakan rumus CG/CL, dengan CG merupakan jumlah genes yang dihasilkan, serta CL merupakan panjang chromosome yang dihasilkan. Dengan demikian, crossover akan lebih mungkin terjadi apabila jumlah gene yang dihasilkan banyak, sementara chromosome yang dihasilkan pendek.
3. Termination condition berupa jumlah generasi maksimum yang ingin dihasilkan.

Flowchart adaptive genetic algorithm yang digunakan adalah sebagai berikut:

Hasil dan Kesimpulan:

Implementasi metode AGAFL untuk memprediksi pasien yang berpotensi terkena serangan jantung berhasil meningkatkan akurasi klasifikasi sebesar 28% dan menurunkan waktu prediksi sebesar 38% jika dibandingkan dengan metode lainnya.