Klasifikasi Polycystic Ovary Syndrome (PCOS) berdasarkan Local Outlier Factor (LOF) dan Linear Discriminant Analysis (LDA) menggunakan metode Kernel Extreme Learning Machine (KELM)

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 terhadap kelainan ini sangat penting untuk mendukung penanganan yang efektif. Dalam penelitian ini, digunakan metode Kernel Extreme Learning Machine (KELM) sebagai pendekatan untuk melakukan klasifikasi kelainan PCOS berdasarkan data rekam medis pasien. Penelitian ini juga melibatkan pengolahan data dengan Local Outlier Factor (LOF) untuk menangani data outlier dan seleksi fitur terbaik menggunakan Linear Discriminant Analysis (LDA) guna meningkatkan akurasi klasifikasi. Tujuan penelitian adalah mengetahui hasil klasifikasi dengan metode KELM pada data inlier kelainan PCOS dengan fitur terpilih. Berbagai uji coba dilakukan, termasuk variasi kernel pada KELM dan nilai parameter tetangga terdekat pada LOF, untuk mengoptimalkan hasil klasifikasi. Hasil penelitian menunjukkan bahwa ketiga kombinasi dari metode LOF, LDA, dan KELM memiliki nilai akurasi 100%, sensitivitas 100%, dan spesifisitas 100%, yang menunjukkan kombinasi ketiga metode ini mampu meningkatkan kualitas deteksi dan klasifikasi data PCOS. Penghapusan outlier menggunakan LOF menghasilkan distribusi data yang lebih stabil dan representatif. Sedangkan seleksi fitur dengan LDA membantu memilih fitur terpilih, sehingga mendukung kinerja KELM dalam menghasilkan akurasi tinggi.