Text

Model Jaringan Saraf Tiruan Extreme Learning Machine Untuk Deteksi Gagal Ginjal Kronis (GGK)

---

ABSTRAK

Penderita gagal ginjal kronis dari tahun ke tahun selalu mengalami peningkatan.
Deteksi penyakit gagal ginjal kronis bisa menjadi salah satu referensi untuk penanganan
selanjutnya. Deteksi dapat dilakukan dengan memanfaatkan teknologi jaringan saraf tiruan
dan dalam penelitian ini menggunakan model jaringan saraf tiruan extreme learning machine
(ELM). Model jaringan saraf tiruan ELM dipilih karena performa klasifikasinya yang
mengesankan dan juga lebih unggul dari model jaringan saraf tiruan Backpropagation dalam
hal kecepatan melatih jaringan. Selanjutnya, dalam penelitian ini dilakukan beberapa
skenario pengujian. Hasil skenario pengujian terbaik model ini menghasilkan rata-rata
performa sensitivitas sebesar 98% dan spesifisitas sebesar 100%. Hasil penelitian juga
menunjukkan bahwa model hampir tidak melakukan kesalahan klasifikasi untuk data dengan
kelas notckd (not chronic kidney disease) atau kelas negatif untuk semua skenario.
Kata kunci: Penyakit gagal ginjal kronis, jaringan saraf tiruan, extreme learning machine,
imbalance data, feature selection

ABSTRACT

The number of people with Chronic Kidney Disease (CKD) is always increasing year
by year. Chronic kidney disease detection can be as one of the references for the further
treatment. The detection utilized neural networks technology and the model applied in this
research is extreme learning machine model. This model was chosen because of its
impressive classification performance and also superior to the Backpropagation neural
network model at learning speed. Then, this research is done with several testing scenarios.
The results of this best scenario model test generated an average sensitivity rate of 98% and
a specificity of 100%. The results also show that the model almost does not misclassify data
with notckd (not chronic kidney disease) classes or negative classes for all scenarios.
Keywords: Chronic kidney disease, neural networks, extreme learning machine, imbalance
data, feature selection

---

Ketersediaan

657F18IV

657 F 18

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

657 F 18

Penerbit

: ., 2018

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

2360

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Indra Malik

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar