SISTEM DETEKSI DINI DIABETES MELLITUS MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN OPTIMASI ADAPTIVE LEARNING RATE DAN MOMENTUM

SOFIANA, ROSITA and Sutikno, Sutikno (2016) SISTEM DETEKSI DINI DIABETES MELLITUS MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN OPTIMASI ADAPTIVE LEARNING RATE DAN MOMENTUM. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

482Kb

Abstract

Diabetes Mellitus (DM) merupakan penyakit gangguan metabolisme kronis akibat disfungsi pengolahan karbohidrat, lipid dan protein yang dapat menyebabkan komplikasi organ dalam. Berdasarkan data International Diabetes Federation, tingkat pravelansi penyakit ini terus meningkat per tahun. Tingginya pertumbuhan kasus DM disebabkan keterlambatan pasien dalam menyadari gejala-gejala awal yang mengindikasikan risiko penyakit DM. Salah satu langkah untuk menekan tingginya kasus penyakit ini dengan pendeteksian dini sebagai langkah preventif. Penelitian ini bertujuan untuk membangun sebuah pendeteksian dini penyakit Diabetes Mellitus menggunakan Jaringan Saraf Tiruan (JST) Backproapgation dengan menerapkan optimasi Adaptive Learning Rate dan Momentum. Variabel yang digunakan sebagai data deteksi merupakan gejala fisik dan klinis yang dialami. Terdapat 12 variabel gejala yang digunakan dalam penelitian ini. Seluruh data penelitian diambil berdasarkan data rekam medis dari RSUD Dr. Soewondo sebanyak 150 data, 100 data digunakan untuk pelatihan dan 50 data untuk pengujian. Hasil penelitian menunjukkan bahwa arsitektur Backpropagation terbaik untuk pendeteksian didapat pada saat menggunakan 1 hidden layer dengan 9 neuron, 1000 epoch, dan nilai error target 0.0001. Kombinasi parameter terbaik dalam penelitian ini adalah laju pembelajaran digunakan adalah 0.6, dengan optimasi momentum 0.9, rasio kenaikan laju pembelajaran 1.05, rasio penurunan laju pembelajaran 0.6, dan maksimum kenaikan kerja 1.06 yang menghasilkan MSE sebesar 0.000094920 dan tingkat akurasi mencapai 99.33%. Penggunaan optimasi Adaptive Learning Rate dan Momentum pada JST Backproapgation memberikan pengaruh positif yaitu dapat menurunkan jumlah epoch sehingga proses pembelajaran menjadi lebih cepat dan menghasilkan nilai MSE yang lebih rendah jika dibandingkan dengan JST Backproapgation standar.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:59330
Deposited By:Mrs. Khadijah .
Deposited On:16 Jan 2018 09:12
Last Modified:16 Jan 2018 09:12

Repository Staff Only: item control page