Record Details

Implementasi Metode Extreme Learning Machine pada Klasifikasi Jenis Penyakit Hepatitis berdasarkan Faktor Gejala

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

View Archive Info
 
 
Field Value
 
ISSN 2548-964X
 
Authentication Code dc
 
Title Statement Implementasi Metode Extreme Learning Machine pada Klasifikasi Jenis Penyakit Hepatitis berdasarkan Faktor Gejala
 
Added Entry - Uncontrolled Name Multazam, Salsabila
Cholissodin, Imam
Adinugroho, Sigit
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
 
Summary, etc. 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 keatas 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 ELM. Data yang digunakan merupakan data primer dengan mengkaji data menggunakan dokumen pasien yang terjangkit Hepatitis. Terdapat 100 jumlah data untuk 20 fitur pada 2 kelas yakni Hepatitis A dan Hepatitis B. Penelitian ini dilakukan dalam beberapa tahap yaitu normalisasi data, kemudian melakukan proses pelatihan terhadap data latih kemudian proses pengujian digunakan dengan masukan berupa beberapa data uji dan juga hasil proses pada pelatihan. Berdasarkan hasil pengujian, didapatkan rasio terbaik antara data latih dengan data uji sebesar 80 : 20. Penelitian menggunakan beberapa parameter untuk mencapai hasil yang optimal yakni menggunakan 7 Hidden Neuron dan fungsi aktivasi yang dipakai Sigmoid Biner. Elemen parameter yang telah diinisasikan pada penelitian ini, didapatkan rata-rata hasil akurasi sebesar 80,00%. Kesimpulan yang diperoleh yakni pengunaan metode Extreme Learning Machine mampu mengatasi permasalahan objek klasifikasi dengan baik.
 
Publication, Distribution, Etc. Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya
 
Electronic Location and Access application/pdf
http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7064
 
Data Source Entry Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer; Vol 4 No 3 (2020): Maret 2020
 
Language Note ind
 
Terms Governing Use and Reproduction Note Hak Cipta (c) 2020 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
 


www.freevisitorcounters.com