net/publication/323365845
CITATIONS READS
0 4,773
3 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Rizal Setya Perdana on 23 February 2018.
Abstrak
Ginjal merupakan organ penting yang berfungsi untuk menjaga komposisi darah dengan mencegah
menumpuknya limbah dan mengendalikan keseimbangan cairan di dalam tubuh. Chronic Kidney
Disease (CKD) merupakan salah satu penyakit pada ginjal yang disebabkan oleh infeksi pada ginjal dan
juga penyumbatan yang disebabkan oleh batu ginjal. Dalam kasus ini tenaga medis maupun pakar masih
belum maksimal di dalam mengklasifikasikan penyakit CKD, penulis menerapkan metode Extreme
Learning Machine (ELM) pada persoalan klasifikasi penyakit CKD. ELM adalah salah satu metode
klasifikasi jaringan saraf tiruan yang memiliki learning speed yang cepat dan berdasarkan penelitian
sebelumnya memiliki nilai akurasi yang baik dibandingkan dengan metode yang ada dalam jaringan
saraf tiruan. Pada penelitian ini didapatkan perbandingan data latih dan data uji yang optimal dengan
rasio 70:30 dan jumlah hidden neuron sebanyak 50 hidden neuron menghasilkan nilai akurasi sebesar
96,7%. Dapat disimpulkan bahwa metode Extreme Learning Machine (ELM) cukup baik
diimplementasikan untuk proses klasifikasi penyakit Chronic Kidney Disease (CKD).
Kata kunci: Ginjal, Chronic Kidney Disease, Extreme Learning Machine, Jaringan Syaraf Tiruan, Akurasi
Abstract
Kidneys are important organs that are focussed on maintaining blood composition by preventing
accumulation of waste and controlling fluid balance in the body. Chronic Kidney Disease (CKD) is one
of the diseases of the kidneys caused by infection in the kidney and also the blockage caused by kidney
stones. In this case medical personnel and experts are still not maximized in classifying CKD disease,
the authors apply the method of Extreme Learning Machine (ELM) on the problem of classification of
CKD disease. ELM is one method of artificial neural network classification that has a fast learning
speed and based on previous research has a good accuracy value compared with existing methods in
artificial neural networks. In this research got comparison of data of train and optimal test data with
ratio 70:30 and amount of hidden neuron counted 50 hidden neuron accuracy value equal to 96,7%. It
can be concluded that the method of Extreme Learning Machine (ELM) is quite well implemented for
the classification process of Chronic Kidney Disease (CKD) disease.
Keywords: Kidney, Chronic Kidney Disease, Extreme Learning Machine, Artificial Neural Network, Accuracy
Chronic Kidney Disease (CKD) adalah salah mendapatkan parameter yang optimal untuk
satu masalah kesehatan penduduk di seluruh mengklasifikasikan penyakit diabetes mellitus
dunia. Jumlah penyakit CKD ini bertambah dalam penerapannya menggunakan metode
seiring pesatnya laju pertumbuhan penduduk. ELM. Selain itu, pada penelitian lain yang
Menurut hasil Global Burden of Disease pada menggunakan data penyakit yang sejenis yaitu
tahun 2010, penyakit CKD mendapati peringkat penyakit CKD dengan menggunakan metode
ke 27 di tahun 1990 dan peringkatnya naik C4.5 yang di dalam penelitian tersebut
menjadi peringkat ke 18 di tahun 2010. Di didapatkan hasil akurasi 91,50% (Rianto, 2015).
Indonesia sendiri penyakit ginjal adalah penyakit Akan tetapi pada penelitian yang diangkat oleh
no 2 dengan pembiayaan terbesar setelah Huang, Zhu dan Siew (2006) didapatkan hasil
penyakit jantung berdasarkan BPJS kesehatan. perbandingan metode ELM dengan beberapa
Menurut data hasil Riset Kesehatan Dasar metode lain seperti SVM, RBF, C4.5 dan di
(Riskesdas) pada tahun 2013, populasi umur ≥ dapatkan hasil dimana metode ELM memiliki
15 tahun yang terdiagnosis CKD sebesar 0,2%. nilai testing rate sebesar 77.57% dimana nilai ini
Angka ini lebih rendah dibandingkan prevalensi merupakan testing rate yang paling besar
CKD di Negara Negara lain, juga hasil penelitian dibandingkan dengan metode-metode lainnya.
Perhimpunan Nefrologi Indonesia (Pernefri) Extreme Learning Machine (ELM) adalah
tahun 2006, yang mendapatkan prevalensi CKD metode jaringan syaraf tiruan yang diangkat oleh
sebesar 12,5%. Hal ini karena Riskesdas 2013 Huang yang dimana merupakan single hidden
hanya menangkap data orang yang terdiagnosis layer feedfordward neural network yang dimana
CKD sedangkan sebagian besar CKD di dipercaya dapat mengatasi kekurangan paa
Indonesia baru terdiagnosis pada tahap lanjut metode jaringan syaraf tiruan terutama dalah hal
dan akhir (Kementerian Kesehatan RI, 2017). learning speed., ELM memiliki fitur yang
Adapun orang yang beresiko mengalami menarik dan signifikan. Atribut-atribut penyakit
gagal ginjal kronis ini seperti orang yang CKD dapat dijadikan pedoman atau acuan dalam
memiliki tekanan darah tinggi, menderita membantu mengklasifikasikan penyakit.
diabetes, memiliki keluarga pengidap gagal Sehingga Extreme Learning Machine (ELM)
ginjal kronis. Penyebab gagal ginjal kronis diharapkan mampu memberikan hasil yang
disebabkan oleh infeksi pada ginjal, gangguan optimal terhadap Klasifikasi Penyakit Chronic
ginjal polikistik dan juga penyumbatan yang Kidney Disease (CKD). Berdasarkan latar
disebabkan oleh batu ginjal atau gangguan belakang diatas, telah dijelaskan bahwa metode
prostat. Dikarenakan gejala penyakit CKD ini ELM merupakan metode yang telah terbukti
hampir sama seperti penyakit pada umumnya, memberikan hasil yang baik berdasarkan testing
terkadang orang salah menafsirkan penyakit rate dibandingkan dengan metode-metode
CKD karena pengetahuan tentang penyakit ini lainnya. Harapannya implementasi metode ELM
yang kurang dan juga mendiagnosis penyakit ini dapat membantu mengklasifikasikan penyakit
tanpa didasari fakta dan pertimbangan medis CKD dengan tepat dan akurat yang akan berguna
lainnya. bagi tenaga medis maupun pakar di dalam
Klasifikasi merupakan pengelompokan yang mengklasifikasikan penyakit CKD ini.
didasarkan pada data-data yang ada. Terdapat
banyak metode yang digunakan untuk 2. LANDASAN KEPUSTAKAAN
mengklasifikasikan sebuah data seperti Learning
Vector Quantization (LVQ) dan Extreme 2.1. Kajian Pustaka
Learning Machine (ELM). Salah satu penelitian Penelitian pertama yang dilakukan oleh
yang terkait dengan klasifikasi adalah penelitian Humaini (2015) tentang penerapan metode
yang dilakukan oleh Pangaribuan (2016). Pada Extreme Learning Machine (ELM) untuk
penelitian tersebut mengangkat metode Extreme memprediksi kondisi cuaca di wilayah malang.
Learning Machine (ELM) yang diterapkan pada Penelitian tersebut bertujuan untuk mendapatkan
penyakit diabetes mellitus yang dibandingkan arsitektur yang optimal dengan memperhatikan
oleh metode backpropagation dimana beberapa atribut seperti tekanan udara, suhu,
didapatkan hasil Mean Square Error (MSE) angin dan kelembapan udara yang dapat
yang lebih baik dari metode backpropagation memprediksi cuaca di wilayah malang. Di
sebesar 0,4036 dan tingkat kesalahan MSE yang dapatkan kesimpulan pada penelitian ini bahwa
mendekati 0 adalah hasil yang baik namun pada metode Extreme Learning Machine (ELM) dapat
penelitian ini tidak dijelaskan bagaimana
menghasilkan nilai akurasi testing sebesar 80% (ELM) dan terdapat hasil perbandingan metode
memenuhi kriteria data yang ada. ELM dengan beberapa metode lainnya seperti
Penelitian kedua dilakukan oleh SVM, SAOCIF, Cascade-Correlation,
Pangaribuan (2016) yang menerapkan metode AdaBoost, C4.5, RBF dan Heterogeneous RBF.
Extreme learning Machine (ELM) terhadap Penerapan perbandingannya dilakukan dalam
penyakit diabetes mellitus. Penelitian tersebut aplikasi diagnosis penyakit diabetes. Didapatkan
bertujuan untuk membuat sistem peramalan baru hasil metode ELM mendapatkan nilai Testing
yang dapat menjadi alat bantu dalam penentuan Rate sebesar 77,57% yang dimana metode ELM
apakah seseorang menderita diabetes mellitus ini memiliki Testing Rate yang paling besar
atau tidak. Hasil dari penelitian membandingkan dibandingkan dengan metode-metode lainnya.
antara metode Extreme Learning Machine
(ELM) dengan metode backpropagation 2.2. Chronic Kidney Disease (CKD)
menghasilkan nilai MSE pada ELM sebesar Chronic Kidney Disease (CKD) merupakan
0,4036 dan nilai MSE pada backpropagation salah satu penyakit yang menyerang organ ginjal
sebesar 0,9425. dimana keadaan organ ginjal menurun secara
Penelitian ketiga dilakukan oleh Sari (2017) progresif, kronik, maupun metetap dan
yang menerapkan metode Extreme Learning berlangsung. Kriteria yang terdapat pada
Machine (ELM) untuk peramalan data time penyakit ginjal kronik ini adalah timbulnya
series. Penelitian tersebut bertujuan untuk kerusakan ginjal lebih dari 3 bulan dengan kata
memprediksi harga penutupan harian saham BRI lain terjadinya kelainan structural maupun
yang diperdagangkan pada bursa efek Jakarta. fungsional (Faradilla, 2009). Adapun tanda dan
Hasil dari penelitian terlihat bahwa metode ELM gejala penyakit Chronic Kidney Disease (CKD)
memiliki rata rata waktu belajar lebih cepat, antara lain terjadinya kelainan pada urin terdapat
dengan kata lain ELM lebih akurat dan cepat dalam protein, sel darah putih/lekosit,
dalam proses pembelajaran dengan nilai 0,38309 darah/eritrosit, bakteri, creatine darah naik,
detik dan nilai RMSE sebesar 21,58585. hemoglobin turun, protein yang selalu positif
Penelitian keempat dilakukan oleh Rahma, (Warianto, 2011). Penyakit CKD ini dapat
Wijaya, dan Prawito (2016) menggunakan menyerang siapapun dari mulai balita hingga
metode ELM sebagai alat bantu klasifikasi usia lanjut. Seiring pertumbuhannya penduduk
Stroke Iskemik Akut dan Normal dan di juga salah satu faktor timbulnya penyakit CKD
dapatkan bahwa hasil akurasi pelatihan ELM ini.
berdasarkan nilai fitur BSI adalah diatas 98%
dan hasil akurasi pengujian ELM diatas 85%. 2.3. Jaringan Syaraf Tiruan
Dengan ini metode ELM memiliki akurasi yang
tinggi dan waktu pelatihan yang lebih cepat. Komputer digital mengungguli di dalam
Penelitian kelima dilakukan oleh Rianto dan perhitungan numeric dan manipulasi simbol
Satvika (2017) menggunakan algoritme C4.5 yang terkait dibandingkan manusia. Jaringan
dalam mendeteksi Penyakit Ginjal Kronis dan di saraf tiruan merupakan sistem komputasi
dapatkan hasil proses pengujian yang dilakukan parallel yang besar dan yang terdiri dari
dengan menggunakan cross-validation dan beberapa prosesor sederhana dengan banyak
berdasarkan hasil yang telah dihitung aplikasi ini interkoneksi yang mencoba model untuk
memiliki akurasi 91,50% pada saat decision tree menggunakan beberapa prinsip “organisasi”
dibuat tanpa menggunakan preprocess menu. yang diyakini digunakan oleh manusia (Jain dan
Penelitian keenam dilakukan oleh Santosa, Mao, 1996). Penelitian jaringan saraf tiruan telah
Widjanarko, dan Supriyanto (2016) mengalami tiga periode dalam eksistensi
menggunakan RBF dalam memodelkan prediksi aktifitas. Pada sekitar tahun 1940 oleh
penyakit ginjal kronik. Didapatkan hasil McCulloch dan Pitts menjadi yang pertama
pengujian yang memiliki akurasi 93,75% pada dalam penelitian ini, kedua terjadi pada sekitar
parameter Learning Rate 0,2 dan Epoch sebesar tahun 1960 dengan teori konvergensi perceptron
2000 lebih baik dibandingkan dengan penelitian karya Minsky dan Papert’s dapat mengurangi
sebelumnya dengan menggunakan metode BP keterbatasan dari simple perceptron. Penelitian
yang menghasilkan akurasi sebesar 91,71%. yang dilakukan ini membuat dampak
Penelitian yang terakhir dilakukan oleh berkurangnya antusias orang di dalam ilmu
Huang, Zhu, dan Siew (2006) menjelaskan komputer dan membuat jeda penelitian tentang
tentang metode Extreme Learning Machine jaringan saraf tiruan berlangsung hampir 20
9 ba Bacteria Present /
NotPresent
10 bgr Blood Dalam mgs/dl
glucose
random
11 bu Blood urea Dalam mgs/dl
12 sc Serum Dalam mgs/dl
creatinine
13 sod Sodium Dalam mEq/L
14 pot Potassium Dalam mE1/L
15 hemo Hemoglobi Dalam gms
n
16 pcv Packed cell Dalam %
volume
17 wc White Dalam
blood cell cells/cumm
count
18 rc Red blood Dalam
cell count millions/cmm
19 htn Hypertensi Yes / No
on
20 dm Diabetes Yes / No
mellitus
21 cad Coronary Yes / No
Gambar 2. Diagram Alir Proses ELM artery
disease
Tabel 1 Parameter Data 22 appet Appetite Good / Poor
No Kode Parameter Nilai
23 pe Pedal Yes / No
1 age Age Dalam Tahun edema
2 bp Blood Dalam mm/Hg 24 ane Anemia Yes / No
pressure
3 sg Specific (1.005,1.010,1.
gravity 015,1.020,1.02 4. HASIL DAN PEMBAHASAN
5)
Pada penelitian ini dilakukan klasifikasi
4 al Albumin (0,1,2,3,4,5) penyakit chronic kidney sisease (CKD) dengan
Extreme Learning Machine (ELM) dan
5 su Sugar (0,1,2,3,4,5)
dilakukan beberapa pengujian untuk menguji
6 rbc Red blood Normal / beberapa aspek terhadapa sistem yang dibuat
cells Abnormal pada penelitian ini. hasil akhir dari pengujian ini
adalah mendapatkan rasio data latih dan data uji
7 pc Pus cell Normal /
yang optimal, mendapatkan jumlah hidden
Abnormal
neuron yang optimal, mendapatkan fungsi
8 pcc Pus cell Present / aktivasi yang baik di dalam menggunakan data
clumps NotPresent penyakit CKD dengan menggunakan Extreme
Learning Machine (ELM) dan juga
mendapatkan nilai precision, recall, fi-measure,