IMPLEMENTASI ALGORITMA BACKPROPAGATION UNTUK PREDIKSI PENYAKIT BATU GINJAL (NEFROLITIASIS) (STUDI KASUS RSUD KOTA TANGERANG)
Total View This Week0
Total View This Week0
Institusion
Universitas Pembangunan Nasional Veteran Jakarta
Author
Tyara Pundhi Oviana, -
Subject
QA76 Computer software
Datestamp
2019-11-05 02:39:44
Abstract :
Batu Ginjal (Nefrolitiasis) merupakan penyakit yang disebabkan adanya gumpalan kecil dan keras yang terjadi di dalam ginjal. Penanganan terlambat terhadap penyakit batu ginjal dapat meningkatkan risiko penyakit ginjal kronis bagi penderitanya. Oleh karena itu, dibutuhkan suatu sistem yang dapat memprediksi apakah pasien tersebut positif atau negatif batu ginjal. Penelitian ini menerapkan teknik Data Mining untuk menemukan pengetahuan baru dari sekumpulan data yang ada sehingga dapat melakukan prediksi penyakit batu ginjal. Prediksi dilakukan dengan menerapkan prinsip-prinsip algoritma Jaringan Syaraf Tiruan Backpropagation dengan atribut yang didapatkan dari rekam medis pasien. Konfigurasi terbaik yang diterapkan pada arsitektur jaringan adalah dengan 12 neuron input layer, 120 neuron hidden layer, dan 1 neuron output layer dengan nilai learning rate sebesar 0.2 dan 0.5, serta batas error 0.025 dengan fungsi aktivasi sigmoid biner yang menghasilkan akurasi sebesar 98,5507% dan nilai error MSE 0,014493.
Batu Ginjal (Nefrolitiasis) merupakan penyakit yang disebabkan adanya gumpalan kecil dan keras yang terjadi di dalam ginjal. Penanganan terlambat terhadap penyakit batu ginjal dapat meningkatkan risiko penyakit ginjal kronis bagi penderitanya. Oleh karena itu, dibutuhkan suatu sistem yang dapat memprediksi apakah pasien tersebut positif atau negatif batu ginjal. Penelitian ini menerapkan teknik Data Mining untuk menemukan pengetahuan baru dari sekumpulan data yang ada sehingga dapat melakukan prediksi penyakit batu ginjal. Prediksi dilakukan dengan menerapkan prinsip-prinsip algoritma Jaringan Syaraf Tiruan Backpropagation dengan atribut yang didapatkan dari rekam medis pasien. Konfigurasi terbaik yang diterapkan pada arsitektur jaringan adalah dengan 12 neuron input layer, 120 neuron hidden layer, dan 1 neuron output layer dengan nilai learning rate sebesar 0.2 dan 0.5, serta batas error 0.025 dengan fungsi aktivasi sigmoid biner yang menghasilkan akurasi sebesar 98,5507% dan nilai error MSE 0,014493.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
