Irawan, Dimas Prenky Dicky (2018) Klasifikasi Risiko Gagal Ginjal Kronis Menggunakan Extreme Learning Machine. Sarjana thesis, Universitas Brawijaya.
Abstract
Ginjal merupakan sebuah organ pada manusia yang mempunyai peranan sangat penting dalam proses mengatur kebutuhan cairan dan elektrolit. Gagal ginjal kronis merupakan sebuah penyakit terhadap ginjal yang terjadi karena infeksi ginjal serta adanya sumbatan yang dikarenakan batu ginjal. Untuk melakukan klasifikasi gagal ginjal kronis tenaga medis masih belum maksimal dalam menanganinya, untuk menangani masalah ini peneliti menggunakan Extreme Learning Machine untuk melakukan klasifikasi gaga Iginjal kronis. Extreme Learning Machine merupakan sebuah algoritme klasifikasi yang mana algoritme ini merupakan bagian dari jaringan saraf tiruan yang memiliki learning speed bagus dan juga menurut penelitian yang sudah ada dihasilkan nilai akurasi yang begitu baik apabila dibandingkan menggunakan algoritme lainnya. Penelitian yang dilakukan ini mendapatkan perbandingan nilai data latih serta data uji optimal dengan nilai rasio 70:30, banyak neuron hidden layer sebesar 10 dan menggunakan fungsi aktivasi sigmoid bipolar dari parameter tersebut menghasilkan nilai akurasi sebesar 99,13%. Dari hasil akurasi yang didapatkan, menunjukkan bahwa metode Extreme Learning Machine cukup baik dipakai untuk proses klasifikasi gagal ginjal kronis.
English Abstract
Kidney is an organ in humans that have a very important role in the process of managing fluid and electrolyte needs. Chronic renal failure is a disease of kidney that occurs due to kidney infection and the existence of blockage due to kidney stones. Toperform the classification of chronic renal failure medical personnel are still not maximally in handling it, to deal with this problem researchers use the Extreme Learning M achine to perform the classification of chronic renal failure. The Extreme Learning M achine is a classification algorithm in which this algorithm is part of a neural network that has a good learning speed and also according to existing research results in a good accuracy value when compared to using other algorithms. This study obtained a comparison of the value of training data as well as the optimal test data with a 70:30 ratio value, many hidden layer neurons of 10 and using the bipolar sigmoid activation function of these parameters resulted in an accuracy of 99.13%. From the results of accuracy obtained, indicating that the method of Extreme Learning M achine is good enough to be used for the process of classification of chronic renal failure.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/378/051805859 |
| Uncontrolled Keywords: | Ginjal,Gagal Ginjal Kronis, Extreme Learning Machine, Jaringan Saraf Tiruan. Kidney, Chronic Renal Failure, Extreme Learning M achine, Artificial Neural Network |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 31 Jan 2019 07:33 |
| Last Modified: | 18 Oct 2021 02:57 |
| URI: | http://repository.ub.ac.id/id/eprint/13480 |
Preview |
Text
Dimas Prenky Dicky Irawan.pdf - Published Version Download (90MB) | Preview |
Actions (login required)
 |
View Item |