Operator Momentum Pada Algoritma Heuristik Untuk Screening Test Penyakit Diabetes Mellitus Berdasarkan Data Urinalysis

Izzah, Abidatul (2014) Operator Momentum Pada Algoritma Heuristik Untuk Screening Test Penyakit Diabetes Mellitus Berdasarkan Data Urinalysis. Masters thesis, Insititut Teknologi Sepuluh Nopember.

Text 5112201020-Master_Thesis.pdf Download (2MB)

Abstract

Pemeriksaan urin menggunakan dipstick merupakan uji urinalysis yang mudah dilakukan. Akan tetapi, interpretasi dari hasil pemeriksaan dipstick urin masih sulit dipahami oleh para penggunanya. Di bidang pengolahan data, diagnosis awal suatu penyakit sering dikaitkan dengan permasalahan klasifikasi. Artificial Neural Network (ANN) merupakan algoritma supervised learning yang memerlukan proes pembelajaran. Proses ini digunakan untuk menemukan bobot dan bias pada struktur ANN. Oleh karena itulah dibutuhkan sebuah metode pembelajaran yang dapat menentukan bobot dan bias yang optimal. Di sisi lain, Gravitational Search Algorithm (GSA) adalah algoritma heuristik baru yang diinspirasi dari fenomena alam. Sebagai algoritma heuristik, GSA memiliki kemampuan yang bagus dalam pencarian global. Namun jika konvergensi dini terjadi, algoritma ini akan berhenti dan tidak mampu lagi melakukan pencarian. Untuk memperbaiki kemampuan GSA maka diusulkan penambahan sebuah operator baru yang diturunkan dari hukum kekekalan momentum sehingga dapat mengeksplorasi solusi yang didapatkan oleh GSA. Dengan demikian, pada tesis ini diusulkan sebuah agoritma heuristik baru yang disebut GSA-Momentum (GSAM). GSAM merupakan algoritma GSA dengan penambahan operator momentum. Dalam tesis ini, GSAM digunakan sebagai metode pembelajaran pada ANN. Metode ini kemudian digunakan sebagai pendekatan untuk screening test hiperglikemia, dimana hiperglikemia merupakan indikator dari penyakit Diabetes Mellitus. Screening test dilakukan berdasarkan hasil pemeriksaan dipstick urin menggunakan konsep klasifikasi data. Metode ini disimulasikan menggunakan MATLAB R2009a. Pada kasus klasifikasi dataset urin, hasil terbaik yang diperoleh dengan akurasi sebesar 78.2%, sensitivitas sebesar 66.5%, dan spesifisitas sebesar 89.9% dengan arsitektur 10-15-1. Hasil yang diperoleh menunjukkan bahwa adanya operator momentum berpengaruh pada kasus dataset berdimensi tinggi.
=============================================================================================================================
Urinalysis using a dipstick is one of the simple methods for urine examination. However, interpretation of test results is still difficult to be understood by the user. In data mining, early diagnostic is always associated with classification. Artificial Neural Network (ANN) is a supervised learning algorithm which needs learning process. This process is used to find weight and bias for ANN. Therefore, there is need for a learning method to determine an optimal weight and bias. Moreover, Gravitational Search Algorithm (GSA) is a new heuristic algorithm which derives its inspiration from natural phenomenon. As a heuristic algorithm, GSA has a good performance in global searching. However, if premature convergence happens, GSA will stop and lose its ability to search. Therefore, a new operator that inspired by conservation of linear momentum is added to improve GSA’s performance by exploring the solution. In this thesis, a new heuristic algorithm named GSA–Momentum (GSAM) is proposed. It is a GSA with a momentu m operator. It is used in this thesis as learning method in ANN for hyperglikemia screening test, which is an indicator of Diabetes Mellitus. Screening test is applied based on urinalysis result classification. The method will be simulated in MATLAB R2009a. In urine classification, we obtained accuracy 78.2%, sensitivity 66.5%, dan spesifisity 89.9% as the best result. The results show that the new operator takes effect in high dimension.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 005.1 Izz o
Uncontrolled Keywords:	Artificial Neural Network, Heuristik, Klasifikasi, Screening Test
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Nov 2023 07:16
Last Modified:	06 Nov 2023 07:16
URI:	http://repository.its.ac.id/id/eprint/105069

Actions (login required)

View Item