Text

Perangkat Lunak Deteksi Risiko Diare balita Menggunakan Jaringan Saraf Tiruan Backpropaganation Dengan Optimasi Adaptive Learning Rate

---

ABSTRAK

Diare merupakan bertambahnya frekuensi buang air besar disertai konsistensi tinja yang
menjadi lebih cair. Diare menjadi penyakit yang mengkhawatirkan bagi balita karena sistem
imun yang masih lemah. Kejadian diare di Indonesia memiliki Insidence Rate yang tinggi
yaitu 411/1000, bahkan menjadi penyakit mematikan hingga terjadi Kejadian Luar Biasa.
Faktor yang mempengaruhi penyakit diare balita adalah sanitasi lingkungan dan perilaku
hidup sehat yang masih kurang diperhatikan oleh masyarakat. Memberikan deteksi dini
terhadap risiko diare balita diharapkan dapat mengurangi angka kejadian diare balita.
Deteksi risiko diare balita dapat dilakukan secara komputasi dengan menggunakan model
Jaringan Saraf Tiruan (JST) Backpropagation. Penelitian ini menerapkan
JST Backpropagation dengan optimasi Adaptive Learning Rate (ALR) dengan melatih
jaringan menggunakan 90 data latih dan diuji kemampuannya pada 10 data uji yang
dilakukan menggunakan prosedur K-Fold Cross Validation. Kinerja jaringan dalam
mempelajari pola dievaluasi menggunan Mean Square Error (MSE). Pada penelitian ini
diperoleh jaringan optimal dengan MSE yang paling kecil yaitu 0.00009636 dengan
menggunakan laju pembelajaran 0,2, maksimum kenaikan kerja 1,06, rasio kenaikan laju
pembelajaran (lr_inc) 1,07 dan rasio penurunan laju pembelajaran (lr_dec) 0,5 dengan
nilai error target 0,0001 dan maksimum Epoch 3000. Jaringan optimal tersebut dilakukan
pengujian untuk mengenali pola yang berbeda dengan hasil akurasi sebesar 93%.
Penggunaan ALR mampu menurunkan Epoch secara signifikan yaitu menjadi 95 Epoch
dibandingkan dengan tanpa penggunaan ALR yang mencapai Epoch 1475, sehingga jaringan
mampu mempelajari pola semakin baik dan cepat.
Kata Kunci : Deteksi, Diare, Jaringan Saraf Tiruan, Backpropagation, Adaptive Learning
Rate

ABSTRACT

Diarrhea is an increase in the frequency of bowel movements and stool consistency which
becomes more fluid. Diarrhea becomes alarming disease for infants because it has a high
Incidence Rate at 411/1000, and even becomes deadly disease. Factors affecting infant
diarrheal disease is environmental sanitation and health behavior that is less noticed by the
public. Giving a early detection of the risk of infant diarrhea is expected to reduce the
incidence. Toddler diarrhea risk can be detected using the computational model of Artificial
Neural Network (ANN) Backpropagation. This research applies Backpropagation ANN with
Optimization Adaptive Learning Rate (ALR) to train the network using 90 train data and
tested for their ability on the 10 test data performed using procedures of K-Fold Cross
Validation. The ability of the network performance is analyzed based on the performance
evaluation Mean Square Error (MSE). Network performance in learning patterns is
evaluated using Mean Square Error (MSE). In this study, the optimal network obtained with
the smallest MSE is 0.00009636 using the learning rate 0.2, the maximum increase of
perfomance 1.06, the ratio of learning rate increase (lr_inc) 1.07 and the rate of learning
decrease rate (lr_dec) 0.5 with target error 0.0001 and maximum Epoch 3000. The optimal
network is tested to recognize different patterns with level of accuracy is 93%. The use of
ALR significantly decreases the Epoch to 95 Epoch compared with the non-use of ALR
reaching 1475 Epoch, so the network is able to learn the pattern better and faster..
Keywords : Detection, Diarrhea, Artificial Neural Networks, Backpropagation,
Adaptive Leraning Rate

---

Ketersediaan

502F17III

006.32 DEW p

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

502F17III

Penerbit

: ., 2017

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1600

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Dewangga Rizky Rachmadan

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar