Penerapan Algoritma Neural Network Backpropagation Dalam Mengidentifikasi Pasien Berisiko Dislipidemia
Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan merancang sistem untuk mengidentifikasi pasien berisiko dislipidemia menggunakan Algoritma Neural Network Backpropagation.Metode yang digunakan untuk menganalisis permasalahan dalam penelitian ini adalah dengan studi pustaka, perumusan masalah, mengumpulkan dan mengolah data-data penelitian, merancang sistem, membuat sistem, menguji sistem, dan penarikan kesimpulan. Pada penelitian ini dataset yang digunakan sebanyak 346 data sampel yang dibagi menjadi data training dan data testing, rasio pembagian untuk data training dan data testing adalah 80% : 20%. Metode dalam pemilihan data training dan data testing dilakukan dengan cara acak. Pada pelatihan data training digunakan data sebanyak 277 data (80%), dan pada pengujian data testing digunakan data sebanyak 69 data (20%). Hasil penelitian ini menunjukkan bahwa Algoritma Neural Network Backpropagation dapat digunakan untuk mengidentifikasi pasien berisiko dislipidemia. Dalam pengujian sistem dengan 69 data testing (20%) di dapatkan hasil akurasi sebesar 86,96%.
Downloads
Article Details
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
References
Halim, Aldhi, dkk. 2004. Analisis dan Perancangan Pengenal Tanda Tangan dengan Jaringan Syaraf Tiruan Metode Propagasi Balik. Skripsi. Jakarta. Universitas Bina Nusantara.
Hartono, Ahmad Farid. 2012. Implementasi Jaringan Syaraf Tiruan Backpropagation sebagai Sistem Pengenalan Citra Daging Sebagai Upaya Mengenali Daging Sapi Asli dan Daging Sapi Palsu di Pasar Tradisional Kota Semarang. Skripsi. Semarang: FMIPA Universitas Negeri Semarang.
Lestari, M. 2014. Penerapan algoritma Klasifikasi Nearest Neighbor (K-NN) untuk mendeteksi penyakit jantung.Faktor Exacta ISSN : 1979-276X, vol. 7, no. 4, pp. 366-371.
PERKI. 2013.Pedoman Tatalaksana Dislipidemia. Jakarta: Centra Communications.
Ma’rufi, R. dan Rosita, L. 2014. Hubungan dislipidemia dan kejadian penyakit jantung koroner.JKKI, vol. 6, no. 1.
Nurkhozin, Agus, dkk. 2011. Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization. Surabay. Institut Teknologi Sepuluh November Surabaya.
Puspita, A. & Eunike. 2007. Penggunaan Jaringan Syaraf Tiruan MetodeBackpropagation untuk Memprediksi Bibir Sumbing. Seminar NasionalTeknologi.
Buku :
Hermawan, A. 2006. Jaringan Syaraf Tiruan, Teori, dan Aplikasi. Yogyakarta:ANDI.
Hidayatullah dan Kawistara. 2014. Pemrograman WEB | HTML | CSS | JavaScript |Power Designer|XAMPP | MySQL | PHP | Codelgnitter | Jquery. Bandung : Informatika
Kasiman, Peranginangin. 2006.Aplikasi Web dengan PHP dan Mysql. Yogyakarta: Andi.
Puspitaningrum, D. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: ANDI.
Siang, J.J. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta: ANDI