Optimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke

Rahardiani, Nadya Oktavia (2017) Optimasi Bobot Multi-Layer Perceptron Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke. Sarjana thesis, Universitas Brawijaya.

Abstract

Stroke merupakan salah satu penyakit dengan tingkat kematian yang tinggi di Indonesia. Pendeteksian penyakit stroke dapat dilakukan dengan berbagai cara, salah satunya dengan melakukan cek darah. Umumnya pemeriksaan dilakukan terlebih dahulu kemudian hasil identifikasi tingkat resiko stroke dapat diketahui setelahnya. Jaringan multi-layer perceptron (MLP) merupakan salah satu model jaringan syaraf tiruan (JST) yang memiliki bobot dihasilkan dari pelatihan backpropagation (BP). Penelitian ini untuk mendapatkan bobot yang lebih baik pada jaringan MLP digunakan algoritma genetika. Implementasi, pengujian, dan analisis dilakukan pada metode pembelajaran BP dan algoritma genetika untuk membandingkan hasil akurasi untuk pengklasifikasian tingkat resiko penyakit stroke. Pada pengujian BP didapatkan nilai rata-rata MSE sebesar 0.01221 dengan parameter berupa jumlah iterasi = 190, jumlah neuron pada hidden layer = 10, dan learning rate = 0.9. Sedangkan nilai rata-rata MSE metode AG adalah 0.0549 dengan ukuran populasi = 100, banyak generasi = 400, Cr = 0.8 dan Mr = 0.2. Rata-rata akurasi data yang dihasilkan dengan BP sebesar 88.40% dan rata-rata MSE 0.0122, sedangkan AG menghasilkan rata-rata akurasi data 60.60% dengan rata-rata MSE 0.0549 pada 10 kali percobaan.

English Abstract

Stroke is one of a high mortality disease in Indonesia. A various ways can be done to detect stroke, such as blood test. The result is known just after a few hour. Unfortunately, in some case it took a long time to find out whether a patient at risk of stroke or not. The level of risk can be easily done with a system. Multi-layer perceptron (MLP) network is one of artificial neural network (ANN) model obtained from backpropagation (BP) learning. This study is doing optimization to obtain proper weights, using genetic algorithm (GA). Implementation, testing, and analysis are done in BP learning algorithm and GA to compare its accuracy on classifying the risk level of stroke. MSE value obtained in testing phase is 0.0122 with number of iteration = 190, number of neuron in hidden layer = 10, and learning rate = 0.9. While in testing phase of GA obtained 0.0549 with population size = 100, generation size = 400, Cr = 0.8, and Mr = 0.2. In final result, average data accuracy of BP is 88% and GA is 60.60% with 10 times trial.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2017/628/051708140
Uncontrolled Keywords:	Multi-Layer Perceptron, Jaringan Syaraf Tiruan, Backpropagation, Algoritma Genetika
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks)
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Yusuf Dwi N.
Date Deposited:	25 Sep 2017 06:54
Last Modified:	28 Sep 2020 09:57
URI:	http://repository.ub.ac.id/id/eprint/2915

Text Rahardiani, Nadya Oktavia.pdf Download (2MB)

Actions (login required)

View Item