Skripsi

Prediksi data kesehatan multivariate menggunakan metode backpropagation neural network dengan optimasi feature selection / Desi Anggreani

Abstrak
Meningkatnya masalah yang bermunculan pada bidang kesehatan menjadikan bidang tersebut sebagai bidang yang penting untuk digunakan sebagai objek penelitian. Disamping itu peningkatan jumlah penderita kesehatan fisik maupun mental mengalami kenaikan dan penurunan setiap waktu. Peristiwa seperti ini akan memiliki dampak yang buruk bagi persiapan pihak rumah sakit atau tenaga kesehatan. Kurangnya persiapan dalam hal penanganan sejak dini untuk penderita penyakit. Oleh sebab itu diperlukan proses prediksi untuk mengetahui jumlah penderita penyakit fisik ataupun penyakit mental. Salah satu metode dalam melakukan prediksi adalah jaringan syaraf tiruan dengan model Backpropagation Neural Network (BPNN). Metode BPNN dalam melakukan prediksi dapat dioptimasi dengan metode feature selection. metode Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO) adalah bagian dari metode feature selection. Penelitian ini bertujuan untuk melakukan analisis perbedaan hasil MSE dari BPNN tanpa Optimasi dan BPNN dengan optimasi feature selection. Perbandingan tersebut dilakukan pada 20 model data kesehatan multivariate yang memiliki jumlah variabel dan jumlah data yang berbeda-beda. Dalam penelitian ini arsitektur metode yang digunakan pada BPNN GA dan PSO melalui tahap analisis terlebih dahulu. Analisis dilakukan dengan melakukan perbandingan nilai MSE dari seluruh arsitektur. Arsitektur yang memiliki nilai MSE terendah adalah jumlah lapisan tersembunyi 5 learning rate 0.01 dan maksimal epoch 2000. Pada metode GA dan PSO jumlah populasi atau particle 10 dan jumlah maksimal iterasi 25. Dalam melakukan prediksi pada data kesehatan multivariate metode BPNN tanpa optimasi memiliki nilai MSE terendah 0 0000061 BPNN-GA 0 0000045 dan BPNN-PSO 0 0000007. Pada metode BPNN dengan optimasi feature selection GA dan PSO terdapat 7 model data yang memiliki nilai MSE lebih tinggi dibanding pada metode BPNN tanpa optimasi. Berjumlah 13 model data memiliki nilai MSE menurun dan mendekati nilai 0 dalam proses optimasi. Dalam penelitian ini jumlah variabel dan jumlah data memiliki pengaruh dalam hal penurunan nilai MSE pada metode BPNN tanpa optimasi BPNN-GA dan BPNN-PSO. Jumlah data dan jumlah variabel yang sedikit akan mengakibatkan meningkatkan nilai error dalam penggabungan metode BPNN dengan metode feature selection

Informasi Detail

DDC

Rs 518.1 ANG p

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro, 2020.

Deskripsi Fisik

xvi, 104 lembar : il. ; 30 cm.

Bahasa

Indonesia

No Reg

02158/KI/22

Edisi

Tesis (Pascasarjana)--Universitas Negeri Malang. 2020

Subjek

1. ALGORITMA - BACKPROPAGATION - DATA KESEHATAN
2. ALGORITHM - BACKPROPAGATION - HEALTH DATA

Pembimbing

1. Ilham Ari Elbaith Zaeni ; 2. Anik Nur Handayani

Lampiran Berkas