Implementasi Metode Extreme Learning Machine Pada Klasifikasi Jenis Penyakit Hepatitis Berdasarkan Faktor Gejala.

Multazam, Salsabila (2020) Implementasi Metode Extreme Learning Machine Pada Klasifikasi Jenis Penyakit Hepatitis Berdasarkan Faktor Gejala. Sarjana thesis, Universitas Brawijaya.

Abstract

Infeksi Virus merupakan permasalahan dalam dunia medis yang sangat serius. Terhitung saat ini banyak virus yang berada di Indonesia antara lain Human Immunodeficiency Virus (HIV), Novel Coronavirus (COVID-19), Dengue Virus (DENV), dan Hepatitis Virus A&B (HVA&HVB). Tercatat pada tahun 2014 penderita penyakit Hepaitits semakin meningkat tiap tahunnya pada penduduk yang berusia 15 tahun ke atas yaitu hepatitis A (19,3%), dan hepatitis B (21,8%). Pencermatan pada penyakit merupakan hal yang sangat penting mengingat para penderita hepatitis seringkali tidak mengetahui bahwasanya mereka sudah terinfeksi hepatitis. Pada penelitian ini, peneliti melakukan klasifikasi terhadap jenis penyakit hepatitis berdasarkan faktor gejala dengan metode Extreme Learning Machine (ELM). Data yang digunakan merupakan data primer dengan mengkaji data menggunakan dokumen pasien yang terjangkit hepatitis. Terdapat 100 data dengan 20 fitur dan 2 kelas yaitu hepatitis A dan hepatitis B. Penelitian ini dilakukan dalam beberapa tahap yaitu normalisasi data, kemudian melakukan proses pelatihan terhadap data latih setelah itu pengujian dilakukan dengan masukan berupa data uji dan juga hasil proses dari pelatihan. Berdasarkan hasil pengujian, didapatkan rasio terbaik antara data latih dan data uji sebesar 80:20. Penelitian ini menggunakan beberapa parameter untuk mendapatkan hasil yang optimal antara lain menggunakan 7 Hidden Neuron dan fungsi aktivasi yang dipakai Sigmoid Biner. Dengan menggunakan parameter tersebut didapatkan rata- rata hasil akurasi sebesar 80,00 %. Dapat disimpulkan pengunaan metode Extreme Learning Machine dapat menyelesaikan permasalahan klasifikasi dengan cukup baik.

English Abstract

Virus infection becomes very serious problem in medical world. Currently there are many viruses in Indonesia, including Human Immunodeficiency Virus (HIV), Novel Coronavirus (COVID-19), Dengue Virus (DENV), and Hepatitis A&B (HVA & HVB). It was recorded that in 2014 Hepaitits sufferers increased every year in the population aged 15 years and over, namely hepatitis A (19.3%), and hepatitis B (21.8%). Observing the disease is very important because hepatitis sufferers often do not know that they have been infected with hepatitis. In this study, researchers conducted a classification of types of hepatitis based on the factor of symptoms with the Extreme Learning Machine (ELM) method. The data used are primary data by examining the data using documents of patients infected with hepatitis. There are 100 data with 20 features and 2 classes, namely hepatitis A and hepatitis B. This research was conducted in several stages, namely data normalization, then conducted the training process of training data after testing was conducted with input in the form of test data and also the results of the training process. Based on the test results, the best ratio between training data and test data is 80: 20. This study uses several parameters to get optimal results including using 7 Hidden Neurons and the activation function used by Sigmoid Binary. By using these parameters obtained an average accuracy of 80.00%. It can be concluded that the use of the Extreme Learning Machine method can solve classification problems quite well

Item Type:	Thesis (Sarjana)
Identification Number:	0520150453
Uncontrolled Keywords:	Klasifikasi, Virus Hepatitis, Extreme Learning Machine.,Classification, Hepatitis Virus, Extreme Learning Machine
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Depositing User:	Unnamed user with username nova
Date Deposited:	19 Sep 2022 04:01
Last Modified:	19 Sep 2022 04:01
URI:	http://repository.ub.ac.id/id/eprint/194396

Text (DALAM MASA EMBARGO) Salsabila Multazam.pdf Restricted to Registered users only until 31 December 2023. Download (5MB)

Actions (login required)

View Item