Ramadhan, RIzki (2019) Optimasi Bobot Awal Extreme Learning Machine Menggunakan Algoritme Genetika Untuk Klasifikasi Penanganan Human Papilloma Virus. Sarjana thesis, Universitas Brawijaya.
Abstract
Human Papilloma Virus adalah virus penyebab penyakit kutil dan mata ikan pada manusia. Banyak sekali jenis penanganan virus ini, jenis penanganan yang umum adalah immunotherapy dan cryotherapy. Parameter gejala-gejala yang muncul pada penderita hampir mirip sehingga diperlukan penentuan penanganan secara tepat. Didasarkan hal tersebut, maka pada penelitian ini digunakan metode Extreme Learning Machine untuk mengklasifikasi jenis penanganan Human Papilloma Virus. Parameter gejala yang digunakan terdapat 6 parameter dan kelas yang digunakan adalah immunotherapy dan cryotherapy. Dalam penelitian ini, bobot awal pada Extreme Learning Machine dioptimasi oleh Algoritme Genetika kemudian bobot tersebut digunakan oleh metode Extreme Learning Machine untuk proses klasifikasi jenis penanganan Human Papilloma Virus. Jumlah data yang digunakan sebanyak 118 data dengan rasio data untuk proses latih dan uji adalah 80:20. Parameter Extreme Learning Machine yang digunakan adalah 10 hidden neuron dan fungsi aktivasi sigmoid biner. Hasil pengujian memperoleh tingkat akurasi terbaik klasifikasi sebesar 100% untuk kelas cryotherapy dan 100% untuk kelas immunotherapy pada 3 dari 10 kali percobaan dengan rata-rata waktu komputasi selama 350,3 detik menggunakan bobot awal yang telah dioptimasi oleh Algoritme Genetika dengan parameter terbaik ukuran populasi sebesar 70, jumlah generasi sebesar 160, crossover rate sebesar 0,9 dan mutation rate sebesar 0,1.
English Abstract
Human Papilloma Virus is a virus that causes warts in humans. There are so many types of treatment for this virus, the most common types of treatment are immunotherapy and cryotherapy. The symptoms that appear in the patient are almost similar, so that proper handling is needed. Based on this, the Extreme Learning Machine method is used to classify the types of treatment of Human Papilloma Virus. The symptom parameters used were 6 parameters and the classes used were immunotherapy and cryotherapy. In this research, the initial weight of the Extreme Learning Machine was optimized by Genetic Algorithm and then the weight was used by the Extreme Learning Machine method for the classification process of the types of treatment of the Human Papilloma Virus. The amount of data used is 118 data with the data ratio for the training process and the test process is 80:20. The Extreme Learning Machine parameters used are 10 hidden neurons and binary sigmoid activation functions. The test results obtained the best classification accuracy level of 100% for both treatment, cryotherapy and immunotherapy from 3 of 10 fold testing with an average computation time of 350,3 seconds using the initial weight which was optimized by the Genetic Algorithm with the best parameter population size of 70, the number generations of 160, the crossover rate of 0.9 and the mutation rate of 0.1.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/392/051905710 |
| Uncontrolled Keywords: | Human Papilloma Virus, Classification, Extreme Learning Machine, Initial Weight, Genetic Algorithm |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 30 Jul 2020 05:44 |
| Last Modified: | 30 Jul 2020 05:44 |
| URI: | http://repository.ub.ac.id/id/eprint/171575 |
Actions (login required)
 |
View Item |