Penerapan Algoritma Neural Network Untuk Klasifikasi Kardiotokografi

Yudi Ramdhani, Sari Susanti, Miftah Farid Adiwisastra, Salman Topiq

Sari


Abstrak
Kardiotokografi adalah metode investigasi yang paling disukai, dalam pemerhati penggunaan kesejahteraan janin yang praktis. Informasi yang diperoleh dari kardiotokografi, digunakan untuk mengidentifikasi awal keadaan patologis (gangguan pada janin, perkembangan penyakit pada janin atau hipoksia dan lain-lain). Organisasi Kesehatan Dunia atau WHO (World Health Organization) memperkirakan sekitar 15% dari seluruh wanita hamil akan berkembang menjadi komplikasi yang berkaitan dengan kehamilannya dan dapat mengakibatkan kematian ibu dan janin. Teknologi data mining merupakan salah satu alat bantu untuk mengoptimalkan data pada basis data yang berukuran besar, Data mining medis memiliki potensi besar untuk dipelajari pola-pola yang tersembunyi dalam kumpulan data utama medis. Dataset Kardiotokografi memiliki fitur/atribut sebanyak 36 dan diklasifikasikan menjadi 3 kelas yaitu : kelas Normal, kelas Suspect, dan kelas Pathologic dengan record sebanyak 2126. Metode Neural network dapat mengklasifikasi kardiotokografi dengan baik dibuktikan dengan nilai akurasi yang tinggi yaitu sebesar 99,15%, serta dapat membantu user untuk mengambil keputusan selanjutnya pada Karditokografi tersebut.

Kata kunci: Kardiotokografi, Data Mining, Neural network

Absract
Kardiotokografi is the most preferred method of investigation, in the use of fetal well being observers. Information obtained from kardiotokografi, used to identify the initial state of the pathological (disorders of the fetus, the development of fetal disease or hypoxia and others). World Health Organization estimates approximately 15% of all pregnant women will develop into complications related to her pregnancy and can lead to the death of the mother and the fetus. The technology of data mining is one of the tools for optimizing the data in the data base of large-sized medical. Data mining, has great potential to learn the patterns that are hidden in the main medical data sets. Kardiotokografi DataSet features/attributes as much as 36 and are classified into three classes as follows: Normal class, class Suspect and Pathologic class with the record as much as 2126. Neural network method of classifying kardiotokografi can properly evidenced by high accuracy value of 99,15%, and can help the user to take decisions on the Karditokografi.

Keywords: Kardiotokografi, Data Mining, Neural network

Kata Kunci


Kardiotokografi, Data Mining, Neural network

Teks Lengkap:

PDF

Referensi


Avianto, D. (2016). Pengenalan Pola Karakter Plat Nomor Kendaraan Menggunakan Algoritma Momentum Backpropagation Neural Network. Jurnal Informatika, 1199-1209.

Berndtssom, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide For Students In Computer Science And Information Systems. London: Springer.

Dawson, C. (2009). Projects In Computing And Information System A Student's Guide. England: Addison-Wesley.

Dinkes Sulut. (2013). Laporan Tahunan Program KIA Sulut. Manado.

Endjun, J. J., & Affandi, B. (2013). KARDIOTOKOGRAFI (KTG). Jakarta.

Karegowda, A., Manjunath, A., & Jayaram, M. (2011). Application Of Genetic Algorithm Optimized Neural Network Connection Weights For Medical Diagnosis Of Pima Indians Diabetes. International Journal on Soft Computing ( IJSC ), 15-23.

Kusumawati, D., Winarno, W. W., & Arief, M. R. (2015). PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION. Seminar Nasional Teknologi Informasi dan Multimedia 2015, 37-42.

Mohammad, B. (2012). Prediksi Hasil Pemilu Legislatif Dki Jakarta Dengan Metode Neural Network Berbasis Particle Swarm Optimization. Jakarta: Thesis.

Sahin, H., & Subasi, A. (2015). Classification of the cardiotocogram data for anticipation of fetal risksusing machine learning techniques. Applied Soft Computing, 231-238.

Sakur, S., & Tjandrasa, H. (2016). Klasifikasi Aktivitas Mental Berdasarkan Data Eeg Menggunakan Metode Hibridneural Network Dan Fuzzy Particle Swarm Optimization Dengan Crossmutated Operation. Jurnal Ilmiah Teknologi Informasi, 44-62.

Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Sari, Y., Marleny, F. D., Izzana, M., Ricardus , & Lareno, B. (2015). Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau. Konferensi Nasional Sistem & Informatika 2015, 396-401.

Setiyorini, T. (2015). Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton. Journal of Intelligent Systems.

Soni, J., Ansari, U., Sharma, D., & Soni, S. (2011). Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction. International Journal of Computer Applications, 44-48.

Yulianto, A. A., & Fitriati, A. (2008). Sistem Informas iManajemen Edisi 10. Jakarta: Salmeba Empat.




DOI: https://doi.org/10.31311/ji.v5i1.2832

##submission.license.cc.by4.footer##

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional

Lembaga Penelitian & Pengabdian Masyarakat (LPPM) Universitas BSI