KOMPARASI METODE ANN-PSO DAN ANN-GA DALAM PREDIKSI PENYAKIT TUBERKULOSIS
Abstract
Tuberculosis (TB) can attack various organs, especially the lungs caused by the bacteria Mycobacterium tuberculosis. Tuberculosis (TB) is one of the infectious diseases that can infect all groups ranging from infants, children, adolescents to the elderly and disease and death of more than 1 million people every year. According to WHO data (2015), Indonesia is the country with the second most pulmonary tuberculosis sufferers in the world, which is 10% of the total cases of pulmonary tuberculosis in the world. There have been many studies that discuss Tuberculosis (TB) in this study, a comparison of the Artificial Neural Network method with Particle Swarm Optimization (PSO) and the Artificial Neural Network method with Genetic Algorithm (GA) was carried out to eliminate input attributes in the neural network algorithm method in order to improve tuberculosis prediction accuracy. Testing using Neural Network Algorithm by adding Particle Swarm Optimization (PSO) and Genetic Algortihm (GA) proved to get better results. The accuracy value obtained only by adding PSO is 95.66%. Meanwhile, by adding GA, the accuracy get even higher, namely 96.55%, compared to only using the Neural Network without other optimizations, the accuracy rate is 94.51%.
Keywords: Tuberculosis, Artificial Neural Network, Particle Swarm Optimization, Genetic Algorithm
Penyakit Tuberkulosis (TBC) dapat menyerang berbagai organ, terutama paru-paru yang disebabkan oleh kuman mycobacterium tuberculosis. Tuberkulosis (TBC) ini merupakan salah satu penyakit menular yang dapat menginfeksi semua kalangan mulai dari bayi, anak-anak, remaja sampai lansia dan menimbulkan kesakitan dan kematian lebih dari 1 juta orang setiap tahun. Menurut data WHO (2015) menyatakan Indonesia sebagai negara dengan penderita tuberkulosis paru terbanyak kedua di dunia yaitu sebanyak 10% dari total global kasus tuberkulosis paru di dunia. Sudah banyak penelitian yang membahas tentang penyakit Tuberkulosis (TBC) pada penelitian kali ini dilakukan komparasi metode Artificial Neural Network dengan Particle Swarm Optimization (PSO) dan metode Artificial Neural Network dengan Genetic Algorithm (GA) untuk mengeliminasi atribut input pada metode Algoritma neural network agar meningkatkan akurasi prediksi penyakit tuberculosis. Pengujian menggunakan Algoritma Neural Network dengan menambahkan Particle Swarm Optimization (PSO) dan Genetic Algortihm (GA) terbukti mendapatkan hasil yang lebih baik. Nilai akurasi yang didapatkan hanya dengan menambahkan PSO sebesar 95,66%. Sementara dengan menambahkan GA mendapat akurasi yang lebih tinggi lagi yakni 96,55%, dibandingkan hanya menggunakan Neural Network saja tanpa optimasi lain, tingkat akurasinya sebesar 94,51%.
Kata kunci: Tuberkulosis, Artificial Neural Network, Particle Swarm Optimization,Genetic Algorithm
Full Text:
PDFReferences
A. S. N. Afiah, Soesanti, and A. hakim Husen, “Jurnal abdidas,” J. Abdidas, vol. 1, no. 3, pp. 149–156, 2020.
B. Saptarani, P. Aprilia, and R. Emelia, “Tingkat Kepatuhan Penggunaan Obat Anti Tuberkulosis Pada Pasien TB Paru Dewasa Di Puskesmas Putri Ayu,” Cerdika J. Ilm. Indones., vol. 3, no. 1, p. 23, 2022, doi: 10.31764/lf.v3i1.6817.
E. S. Dasopang, F. Hasanah, and C. Nisak, “ANALISIS DESKRIPTIF EFEK SAMPING PENGGUNAAN OBAT ANTI TUBERCULOSIS PADA PASIEN TBC DI RSUD Dr. PIRNGADI MEDAN,” J. Penelit. Farm. Herb., vol. 2, no. 1, pp. 44–49, 2019, doi: 10.36656/jpfh.v2i1.180.
A. W. S. Ningrat, “Docking Molekuler Senyawa Brazilein Herba Caesalpina Sappanis Lignum Pada Mycobacterium Tuberculosis Inha Sebagai Antituberkulosis,” Indones. Heal. J., vol. 1, no. 1, pp. 29–34, 2022.
D. D. Lestari Muslimah, “Physical Environmental Factors and Its Association with the Existence of Mycobacterium Tuberculosis: A Study in The Working Region of Perak Timur Public Health Center,” J. Kesehat. Lingkung., vol. 11, no. 1, p. 26, 2019, doi: ol6b6.
A. Mashidayanti, N. Nurlely, and N. Kartinah, “Faktor Risiko Yang Berpengaruh Pada Kejadian Tuberkulosis dengan Multidrug-Resistant Tuberculosis (MDR-TB) di RSUD Ulin Banjarmasin,” J. Pharmascience, vol. 7, no. 2, p. 139, 2020, doi: 10.20527/jps.v7i2.7928.
K. Amin, K. Oktafianto, and A. Z. Arifin, “Model Dinamik Penyakit Tuberculosis Di Kabupaten Tuban,” in MODEL DINAMIK PENYAKIT TUBERCULOSIS DI KABUPATEN TUBAN MENGGUNAKAN SIR (Susceptible, Infectious, Reccovered), 2018, no. September, pp. 438–441.
F. Ningsih, R. Ovany, and Y. Anjelina, “LITERATURE REVIEW : HUBUNGAN PENGETAHUAN TERHADAP SIKAP MASYARAKAT TENTANG UPAYA PENCEGAHAN PENULARAN Literature Review : Relationship Of Knowledge To Community Attitude About Tuberculosis Prevention Measures,” J. Surya Med., vol. 7, no. 2, pp. 108–115, 2022.
A. Buchori and S. K. A. S. Ramdan, “Sistem Pakar Diagnosa Penyakit Pada Kucing Menggunakan Metode Naive Bayes Classifier,” Techno.Com, vol. 17, no. 2, pp. 134–144, 2018, doi: 10.33633/tc.v17i2.1625.
D. Kusbianto, R. Ardiansyah, and D. A. Hamadi, “Implementasi Sistem Pakar Forward Chaining Untuk,” Polinema, J. Inform., vol. 4, no. 1, pp. 71–80, 2017.
D. Haryanto, C. Ramdani, W. S. Wahidah, A. G. Dinia, and S. Oktaviani, “Perancangan Sistem Pendukung Keputusan Penentuan Penerimaan Beasiswa Menggunakan Metode Artificial Neural Network (ANN) di Institut Teknologi Telkom Purwokerto,” in Conference on Electrical Engineering, Telematics, Industrial Technology, and CreativeMedia 2019, 2019, pp. 103–114.
A. Y. Prathama, “Pendekatan Ann (Artificial Neural Network) Untuk Penentuan Prosentase Bobot Pekerjaan Dan Estimasi Nilai Pekerjaan Struktur Pada Rumah Sakit Pratama,” J. Teknosains, vol. 7, no. 1, p. 14, 2018, doi: 10.22146/teknosains.30139.
A. Setiawan, L. W. Santoso, and R. Adipranata, “Penerapan Algoritma Particle Swarm Optimization ( PSO ) untuk Optimisasi Pembangunan Negara dalam Turn Based Strategy Game,” in Penerapan Algoritma Particle Swarm Optimization (PSO) untuk Optimisasi Pembangunan Negara dalam Turn Based Strategy Game, 2019, pp. 249–255.
N. A. Maori, “Perbandingan Metode ANN-PSO dan ANN-GA untuk Peningkatan Akurasi Prediksi Harga Emas Antam,” J. Disprotek, vol. 10, no. 2, pp. 101–106, 2019, doi: 10.34001/jdpt.v10i2.1050.
E. P. Rohmawan, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan Artificial Neural Network,” J. Ilm. MATRIK Vol.20 No.1, April 201821-30, vol. 20, no. 1, pp. 21–30, 2018.
M. Ann, D. Optimasi, J. Imam, and B. No, “Prediksi jumlah produksi air pdam menggunakan metode ann dengan optimasi pso,” vol. 7, no. 2, pp. 55–58, 2021.
I. Yunirakhman, Adiwijaya, and W. Astuti, “Klasifikasi Data Microarray dengan Metode Artificial Neural Network dan Genetic Algorithm untuk Kasus Deteksi Kanker,” E-proceeding Eng., vol. 6, no. 2, pp. 9796–9806, 2019.
P. F. Orun et al., “Penerapan Metode Forward Chaining Dan Certainty Factor Pada Sistem Pakar Untuk Diagnosis Penyakit Malaria Di Kabupaten Mimika Berbasis Web,” vol. 6, no. 1, pp. 325–335, 2022.
M. Ridho Handoko and Neneng, “Sistem Pakar Diagnosa Penyakit Selama Kehamilan Menggunakan Metode Naive Bayes Berbasis Web,” J. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 50–58, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI.
V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.
I. Ali and L. Sularto, “Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa,” J. ICT Inf. Commun. Technol., vol. 18, no. 1, pp. 54–59, 2019, doi: 10.36054/jict-ikmi.v18i1.52.
DOI: http://dx.doi.org/10.20527/klik.v9i2.462
Copyright (c) 2022 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats