Klasifikasi Motilitas Sperma dengan LSTM (Long Short-Term Memory) dan Menggunakan Optimasi SGD (Stochastic Gradient Descent)

Abstract

Penelitian ini bertujuan untuk mengembangkan sebuah model machine learning berbasis neural network arsitektur Long Short-Term Memory (LSTM) yang mampu mengklasifikasikan abnormalitas pergerakan sperma secara otomatis. Dataset yang digunakan terdiri dari fitur particle, mean velocity, linearity, dan type sebagai target klasifikasi normal dan abnormal. Proses pelatihan model dilakukan dengan optimasi Stochastic Gradient Descent (SGD) menggunakan dua skenario, yaitu Aggressive SGD dan SGD Nesterov, dengan pembagian data 10% data uji dan 90% data latih-validasi (80%:20%). Hasil penelitian menunjukkan bahwa skenario Aggressive SGD memberikan performa terbaik dengan akurasi 87%, presisi 100%, recall 78%, dan F1-score 88%, dibandingkan skenario SGD Nesterov yang hanya mencapai akurasi 73%. Hasil ini mengindikasikan bahwa penggunaan LSTM dengan optimasi SGD mampu mendeteksi abnormalitas motilitas sperma secara cukup akurat, khususnya dalam mengenali kategori sperma normal, meskipun masih memiliki tantangan dalam mendeteksi kategori abnormal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem otomatis berbasis machine learning untuk mendukung proses diagnosis infertilitas pria, khususnya yang berkaitan dengan abnormalitas pergerakan sperma, serta menjadi landasan bagi penelitian lanjutan dengan membandingkan metode machine learning lainnya.