Implementasi Neural Network untuk Memprediksi Jumlah Penderita Tuberculosis

Ahmad Chamsudin(1*)

(1) Universitas Muhammadiyah Surakarta
(*) Corresponding Author

Abstract

Tuberkulosis (TBC) merupakan salah satu jenis penyakit menular yang memiliki jumlah penderita yang sangat banyak, bahkan Indonesia menduduki urutan ke empat jumlah terbanyak penderita Tuberkulosis di dunia. Tuberkulosis telah banyak menyebabkan kematian pada penderitanya baik dari kalangan anak-anak, dewasa sampai lanjut usia. Dengan fenomena tersebut maka dibutuhkan studi untuk memprediksi jumlah penderita tuberkulosis pada tahun-tahun yang akan datang yang nantinya dapat digunakan sebagai pendukung keputusan medis. Dalam penelitian ini Neural network digunakan untuk memprediksi jumlah penyakit tuberkulosis dengan menggunakan data bulanan dalam jangka waktu duapuluh tahun terakhir. Metode yang digunakan untuk membangun neural network yaitu dengan menggunakan tiga macam algoritme yaitu Back Propagation, Quasi-Newton dan Lavemberg-Marquardt untuk dapat meminimalkan tingkat error, dengan harapan hasil yang dicapai bisa lebih tepat dalam memprediksi jumlah penyakit tuberkulosis. Dalam penelitian ini diperoleh hasil forecasting dengan mengukur tingkat akurasi forecasting dengan membandingkan nilai MAPE dan MSE, dari ketiga algoritme didapatkan algoritme Lavemberg-Marquardt memiliki nilai MAPE dan MSE terbaik yaitu 9,15 % dan 43419 yang menunjukkan algoritme yang paling optimal dibanding yang lain.

Keywords

Neural Network; Forecasting; Tuberculosi; Back Propagation; Quasi-Newton; Lavemberg-Marquardt

Full Text:

PDF

References

N. Ganesan, K. Venkatesh, and M. A. Rama (2010), “Application of Neural Networks in Diagnosing Cancer Disease Using Demographic Data”, International Journal of Computer Applications (0975 - 8887).

Freeman, A. James (2015) “Network with Back Propagation, International Conference on Computing and Intelligence Systems” Volume: 04, Special Issue:March 2015 Pages: 1166 – 1169

N.Guru, A. Dahiya, N. Rajpal (2007), “ Decision support system for Heart Disease Diagnosis Using Neural Network”, Delhi Business Review, vol. 8, No.1,Jan-June.

G.M.Nasiraand, S.Radhimeenakshi (2014), “ A study on prediction of Cardiovascular Victimization Data Processing Techniques”, International Journal of computer and Organization Trends, vol 9. Number 1, pp. 32- 35.

J. Shi, M. Chui (2012), “ Extract Knowledge from Site-sampled Data sets and Fused Hierarchical Neural Networks for detecting Cardiovascular Diseases” , International conference on Biomedical Engineering and Biotechnology.

J.J. Siang, (2005), “ Jaringan Syaraf Tiruan & Pemprograman Menggunakan Matlab”, Penerbit Andi, Yogyakarta.

Makridakis, S.Wheelwright (1999).” Metode dan Aplikasi Peramalan Jilid 1” (Ir. Untung sus Ardiyanto, M.Sc. & Ir. Abdul Basith, M.Sc Terjemah). Edisi Kedua, Jakarta: Penerbit Erlangga.

S. Afshar, F. Abdolrahmani (2011), “Recognition and prediction of leukemia with Artificial Neural Network (ANN)”, Medical Journal of Islamic Republic of Iran, Vol. 25, No. 1, pp. 35-39.

M.S. Al-Haik, H. Garmestani and I.M. Navon (2003), “Truncated-Newton Training Algorithm for Neurocomputational Viscoplastic Model”, Comput. Methods Appl. Mech. Engrg., No. 192, p. 2249-2

Article Metrics

Abstract view(s): 4427 time(s)
PDF: 1961 time(s)

Refbacks

  • There are currently no refbacks.