JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN ADAPTIVE MOMENT ESTIMATION UNTUK KLASIFIKASI PENYAKIT COVID-19 DI KALIMANTAN SELATAN

Triando Hamonangan Saragih; Nurul Huda

doi:10.20527/epsilon.v16i2.6792

JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN ADAPTIVE MOMENT ESTIMATION UNTUK KLASIFIKASI PENYAKIT COVID-19 DI KALIMANTAN SELATAN

Triando Hamonangan Saragih, Nurul Huda

Abstract

Jaringan syaraf tiruan adalah suatu metode komputasi yang meniru sistem jaringan syaraf biologi. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang paling berhubungan, sehingga mirip dengan jaringan syaraf manusia. Salah satu teknik penerapannya bisa dilakukan sebagai metode klasifikasi. Salah satu metode klasifikasi yang sering digunakan yaitu metode Backpropagation. Metode Backpropagation menggunakan konsep supervised learning. Salah satu pendekatan yang bisa dilakukan dalam pembelajarannya dengan melakukan optimasi pembobotan. Metode optimasi yang digunakan yaitu metode optimasi Adaptive Moment Estimation (ADAM). Optimasi ADAM yaitu metode optimasi yang menggunakan konsep stokastik dalam melakukan pencarian parameter terbaik. Data yang digunakan pada penelitian ini yaitu data Covid 19 di Kalimantan Selatan. Data yang digunakan sebanyak 192 kasus yang mana 121 penyakit Covid 19 dan 71 penyakit bukan Covid. Hasil akurasi dari klasifikasi menggunakan metode Backpropagation yang sudah dioptimasi dengan metode ADAM menyatakan lebih baik dibandingkan tanpa optimasi ADAM dengan akurasi rata-rata sebesar 69.77% dan akurasi maksimal terbaik sebesar 71.05%.

Keywords

Covid 19, Jaringan Syaraf Tiruan, Backpropagation, Optimasi ADAM

Full Text:

PDF

References

Al-Yaseen, W. L., Othman, Z. A., Nazri, M. Z. A., Fossaceca, J. M., Mazzuchi, T. A., Sarkani, S., Gerlein, E. A., McGinnity, M., Belatreche, A., Coleman, S., Guo, P., Cheng, W., Wang, Y., Huang, G. Bin, Zhu, Q. Y., Siew, C. K., Mateo, F., Carrasco, J. J., Sellami, A., … Yüksel, T. (2017). A machine learning approach to synchronization of automata. Expert Systems with Applications, 40(8), 344–356. https://doi.org/10.1016/j.eswa.2016.10.048

Aryasa, K. (2012). Expert System Diagnosa Jenis Penyakit Gigi Menggunakan JST Backpropagation. CSRID, 4(0411), 81–95.

Bueno-Crespo, A., García-Laencina, P. J., & Sancho-Gómez, J.-L. (2013). Neural architecture design based on extreme learning machine. Neural Networks, 48, 19–24. https://doi.org/10.1016/j.neunet.2013.06.010

Dessy, W. M., & Irawan, A. (2012). Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah. Jurnal Komputer Dan Informatika (KOMPUTA), 1(1), 45–51.

Gerlein, E. A., McGinnity, M., Belatreche, A., & Coleman, S. (2016). Evaluating machine learning classification for financial trading: An empirical approach. Expert Systems with Applications, 54, 193–207. https://doi.org/10.1016/j.eswa.2016.01.018

Kaewthai, R., Thammaboosadee, S., & Kiattisin, S. (2015). Diabetes dose titration identification model. 2015 8th Biomedical Engineering International Conference (BMEiCON), 1–5. https://doi.org/10.1109/BMEiCON.2015.7399557

Kingma, D. P., & Ba, J. L. (2015). Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 1–15.

Michael, K., & Dabnichki, P. (2016). An investigation of the suitability of Artificial Neural Networks for the prediction of core and local skin temperatures when trained with a large and gender-balanced database. Applied Soft Computing Journal. https://doi.org/10.1016/j.asoc.2016.11.006

Saragih, T. H., Fajri, D. M. N., Hamdianah, A., Mahmudy, W. F., & Anggodo, Y. P. (2017). Jatropha Curcas Disease Identification Using Fuzzy Neural Network. International Conference on Sustainable Information Engineering and Technology (SIET), Batu, Indonesia, 25-25 November.

Saragih, T. H., Fajri, D. M. N., Mahmudy, W. F., Abadi, A. L., & Anggodo, Y. P. (2018). Jatropha curcas disease identification with extreme learning machine. Indonesian Journal of Electrical Engineering and Computer Science, 12(2), 883–888. https://doi.org/10.11591/ijeecs.v12.i2.pp883-888

Saragih, T. H., Mahmudy, W. F., Abadi, A. L., & Anggodo, Y. P. (2018). Application of extreme learning machine and modified simulated annealing for jatropha curcas disease identification. International Journal of Advances in Soft Computing and Its Applications, 10(2), 108–119.

Tang, J., Deng, C., & Huang, G.-B. (2015). Extreme Learning Machine for Multilayer Perceptron. IEEE Transactions on Neural Networks and Learning Systems, 1–13. https://doi.org/10.1109/TNNLS.2015.2424995

Utomo, M. C. C., Mahmudy, W. F., & Anam, S. (2017). Determining the Neuron Weights of Fuzzy Neural Networks Using Multi-Populations Particle Swarm Optimization for Rainfall Forecasting. Journal of Telecommunication, Electronic and Computer Engineering, 9(2), 37–42.

Wahono, R. S., Herman, N. S., & Ahmad, S. (2014). Neural network parameter optimization based on genetic algorithm for software defect prediction. Advanced Science Letters, 20(10–12), 1951–1955. https://doi.org/10.1166/asl.2014.5641

Zamani, A. M., Amaliah, B., & Munif, A. (2012). Implementation of Genetic Algorithm on Backpropagation Neural Network for Breast Cancer Classification. Jurnal Teknik POMITS, 1(1), 1–6.

DOI: https://doi.org/10.20527/epsilon.v16i2.6792