By : Sheren Afryan Tyastama, Tri Ginanjar Laksana, Amalia Beladina Arifa
Peningkatan jumlah pasien penderita ginjal kronis dari tahun ke tahun, namun tidak diikuti dengan sumber daya manusia dan sarana prasarana yang memadai dalam penanganannya memerlukan informasi mengenai perkiraan jumlah pasien penyakit ginjal kronis. Prediksi terhadap jumlah pasien penderita penyakit ginjal kronis perlu dilakukan sebagai bentuk antisipasi dalam mempersiapkan sumber daya manusia dan sarana prasarana dengan lebih baik yang akan berpengaruh terhadap tingkat pertahanan hidup pasien. Penelitian ini menggunakan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization dalam memprediksi jumlah pasien penderita penyakit ginjal kronis. Jaringan saraf tiruan memiliki kemampuan dalam melakukan prediksi terhadap data time series seperti jumlah pasien penderita ginjal kronis dari tahun ke tahun. Namun, jaringan saraf tiruan backpropagation memiliki titik lemah yaitu kecepatan konvergensi yang kurang baik akibat dari penentuan bobot secara random atau acak. Pada penelitian ini, algoritma particle swarm optimization memiliki peran dalam mengoptimalkan nilai bobot yang akan digunakan pada algoritma jaringan saraf tiruan backpropagation. Data yang digunakan dalam penelitian ini yaitu data jumlah pasien penderita penyakit ginjal kronis di RSUD Banyumas pada tahun 2011-2020. Penelitian ini menggunakan Matlab R2019a sebagai software dalam melakukan prediksi penyakit ginjal kronis. Hasil pengujian menunjukkan akurasi prediksi berdasarkan nilai Mean Squared Error sebesar 0,0346 menggunakan arsitektur jaringan saraf tiruan 12-16-1, nilai learning rate yaitu 0.02, 1000 epoch, dan 20 swarm.
Kata kunci: Backpropagation, Ginjal Kronis, Jaringan Saraf Tiruan, Particle Swarm Optimization, Prediksi
Terdapat beberapa kesimpulan yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai berikut :
1. Cara mengatasi kelemahan pada jaringan saraf tiruan backpropagation (JST) dalam menghasilkan informasi pasien penyakit ginjal kronis dapat dilakukan melalui penerapan algoritma particle swarm optimization (PSO) pada penentuan bobot yang akan digunakan pada jaringan saraf tiruan backpropagation. Hal ini dibuktikan dengan perbandingan performansi berupa nilai MSE yang dihasilkan pada pengujian algoritma JST dan kombinasi algoritma JST dan PSO menggunakan parameter learning rate sebesar 0,02, 20 swarm, dan 1000 epoch sebagai parameter dalam nilai MSE terbaik pada pelatihan kombinasi algoritma JST dan PSO. Nilai MSE pada pengujian algoritma JST yaitu sebesar 0,1706, sementara nilai MSE pada pengujian kombinasi algoritma JST dan PSO lebih baik yaitu sebesar 0,0346. 2.
Saran Adapun saran yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai |
1. Penelitian selanjutnya dapat menggunakan parameter Particle Swarm Optimizaton yaitu jumlah swarm sebanyak 20 dalam mengatasi kelemahan algoritma jaringan saraf tiruan backpropagation pada penentuan bobot dengan arsitektur 12-6-1 dan learning rate sebesar 0,02 untuk melihat kemampuan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization pada penelitian yang serupa dengan prediksi terhadap data penyakit ginjal kronis.
2. Pengembangan lebih lanjut yang dapat dilakukan dari penelitian ini adalah penerapan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization yang dilakukan dalam beberapa percobaan untuk setiap pasangan variasi learning rate¸ jumlah neuron pada hidden
layer, dan jumlah swarm.
No comments:
Post a Comment