Abstrak
Infeksi Virus merupakan permasalahan dalam dunia medis yang sangat serius. Terhitung saat ini banyak
virus yang berada di Indonesia antara lain Human Immunodeficiency Virus (HIV), Novel Coronavirus
(COVID-19), Dengue Virus (DENV), dan Hepatitis Virus A&B (HVA&HVB). Tercatat pada tahun
2014 penderita penyakit Hepaitits semakin meningkat tiap tahunnya pada penduduk yang berusia 15
tahun keatas yaitu Hepatitis A (19,3%), dan Hepatitis B (21,8%). Pencermatan pada penyakit merupakan
hal yang sangat penting mengingat para penderita Hepatitis seringkali tidak mengetahui bahwasanya
mereka sudah terinfeksi Hepatitis. Pada penelitian ini, peneliti melakukan klasifikasi terhadap jenis
penyakit Hepatitis berdasarkan faktor gejala dengan ELM. Data yang digunakan merupakan data primer
dengan mengkaji data menggunakan dokumen pasien yang terjangkit Hepatitis. Terdapat 100 jumlah
data untuk 20 fitur pada 2 kelas yakni Hepatitis A dan Hepatitis B. Penelitian ini dilakukan dalam
beberapa tahap yaitu normalisasi data, kemudian melakukan proses pelatihan terhadap data latih
kemudian proses pengujian digunakan dengan masukan berupa beberapa data uji dan juga hasil proses
pada pelatihan. Berdasarkan hasil pengujian, didapatkan rasio terbaik antara data latih dengan data uji
sebesar 80 : 20. Penelitian menggunakan beberapa parameter untuk mencapai hasil yang optimal yakni
menggunakan 7 Hidden Neuron dan fungsi aktivasi yang dipakai Sigmoid Biner. Elemen parameter
yang telah diinisasikan pada penelitian ini, didapatkan rata-rata hasil akurasi sebesar 80,00%.
Kesimpulan yang diperoleh yakni pengunaan metode Extreme Learning Machine mampu mengatasi
permasalahan objek klasifikasi dengan baik.
Kata kunci: Klasifikasi, Virus Hepatitis, Extreme Learning Machine
Abstract
Virus infection becomes very serious problem in medical world. Currently there are many viruses in
Indonesia, including Human Immunodeficiency Virus (HIV), Novel Coronavirus (COVID-19), Dengue
Virus (DENV), and Hepatitis A&B (HVA & HVB). It was recorded that in 2014 Hepaitits sufferers
increased every year for the population aged above 15 years that is Hepatitis A (19.3%) and Hepatitis
B (21.8%). To highly pay attention to the disease is very curcial considering Hepatitis sufferers often
do not know already got infected by hepatitis. In this thesis the researchers is classifying Hepatitis types
based on their symptoms using ELM method.The data being used is primary one gotten from the
documents of patients infected by Hepatitis. There are 100 data with 20 features and 2 classes, namely
Hepatitis A and Hepatitis B. This research was conducted in several stages from data normalization,
followed by training process of the obtained data and then finally to verify the tested data input as well
as data from the training process result. Based on the test results, the best ratio between train data and
test data is 80: 20. This study uses several parameters to get optimal results including using 7 Hidden
Neurons and the activation function used by Sigmoid Binary. By using these parameters obtained an
average accuracy of 80.00%. It can be concluded that the use of the Extreme Learning Machine method
can solve classification problems quite well.
Keywords: Classification, Hepatitis Virus, Extreme Learning Machine
manusia yang terletak dalam sel-sel syaraf Hepatitis A tetap menjadi suatu persoalan
manusia (Jatmiko et al., 2011). Artificial Neural penting di bidang kesehatan di banyak negara-
Network adalah permrosesan informasi berbasis negara industri diantara kelompok risiko tinggi
sistem yang menyandang karakteristik sejenis seperti Petugas kesehatan, pekerja sanitasi,
dengan jaringan neural biologis. Adapun penyalahgunaan obat, kelompok
karakteristik dari neural network ditentukan homoseksual,hingga mereka yang melakukan
sebagai berikut: transmigrasi daerah dengan curah endemisitas
1. Arsitektur, Pola pembelajaran antara level paling rendah ke tinggi hingga beberapa
masing-masing neuron. rumah tahanan (Sulaiman, Akbar dan Lesmana,
2012).
2. Learning Algorithm, Metode untuk
menentukan bobot dari hubungannya.
2.3.2. Hepatitis B
3. Activation Function, Fungsi dalam
menghasilkan sinyal output. Hepatitis B atau yang sering kita dengar
HBV merupakan infeksi serius yang ditularkan
Menurut Fauset, Jaringan Saraf Tiruan melalui darah ataupun cairan tubuh. Virus
dapat diterapkan kedalam berbagai macam Hepatitis B dapat dijumpai di ruang dengan
masalah layaknya menyimpan dan mengingat endemik yang tinggi, dan penyebaran infeksi
suatu data, mengklasifikasikan suatu pola, HBV berlaku melalui infeksi musim perinatal
memetakan pola input ke pola output hingga dengan istilah masa induk kanak-kanak dengan
dapat menemukan solusi untuk masalah yang proses yang dinamis antara virus, hepatosit, dan
optimasi yang terkendala (Fausett, 1994). sistem imun manusia. Hasil yang didapatkan
Riset Kesehatan Dasar (RISKEDAS) 2007
2.3. Virus Hepatitis memperlihatkan bahwasanya prevalensi pasien
Hepatitis merupakan peradangan yang terjangkit Hepatitis B sejumlah 9,4%
(pembengkan) pada hati hinngga liver dengan memiliki arti bahwasanya satu dari sepuluh
penyebab utama infeksi, virus, melakukan satu penduduk Indonesia terjangkit Hepatitis B
tubuh dengan pengguna, hingga penggunaan (HBV) dan data tersebut divisualisasikan dengan
jumlah keseluruhan penduduk Indonesia di
obat-obatan juga faktor lainnya. Selain
disebabkan oleh faktor-faktor tersebut, tahun 2007, maka jumlah penderita virus HBV
dapat mencapai 23 juta orang (Ahmad dan
hepatitis juga terjadi karena kerusakan pada
hati yang disebabkan senyawa kimia utamanya Kusnanto, 2017). Hepatitis B menimbulkan
alkohol (Kementerian Kesehatan Republik gejala yang beragam mulai dengan tanpa gejala
hingga gejala yang dikategorikan sangat berat
Indonesia, 2014). Konsumsi alkohol jangka
panjang dapat menyebabkan kerusakan sel-sel seperti Hematemesis (Muntah Darah) maupun
hati menjadi permanen hingga dapat tumbuh koma. Masa perinatal merupakan kasus yang
menimpa banyak sekali terinfeksi Hepatitis B
berkembang menjadi gagal hati yang kita
kenal dengan istilah sirosis. Pemakaian obat- dan dapat menjadi kronik pada 90% kasus
(Sulaiman, Akbar dan Lesmana, 2012). Berikut
obatan melebihi dosis atau paparan yang telah
merupakan salah satu gejala Hepatitis B.
ditetapkan oleh dokter juga dapat
menyebabkan Hepatitis.
2.3.1. Hepatitis A
Hepatitis infeksiosa atau yang sering kita
kenal dengan (HVA) merupakan infeksi virus
pada hati salah satunya dapat ditularkan melalui
air tercemar bahkan sebagian besar dapat
diltularkan juga melalui transmisi oleh endemik
ataupun sporadik dengan bersifat tidak terlalu
dramatis. Pravelensi infeksi diindikasikan pada
tingkatan antibodi anti HVA yang sudah
diketahui universal dan memiliki keterkaitan erat Gambar 1. Salah Satu Gejala Hepatitis B yaitu
antar setiap hubungan dengan sanitasi daerah Ikterus
Sumber: (Sulaiman, Akbar dan Lesmana, 2012)
yang bersangkutan dimana masih tergolong
dibawah standar internasional. Infeksi Virus
𝛽 = 𝐻+ ∗ 𝑌 (8)
Mulai
Keterangan :
𝐻+ = Matriks Moore Penrose
Generalized
𝑌 = Target Prediksi Data Pasien
Hepatitis
2.4.2. Extreme Learning Machine Testing
Proses testing memiliki tujuan guna Normalisasi
melakukan evaluasi terhadap metode ELM yang
dilakukan berdasarkan proses training. Proses Training
1. Mengambil hasil nilai input weight dan bias ELM
proses latih yang sebelumnya.
2. Melakukan perhitungan proses matriks Proses Testing
output hidden layer testing memakai ELM
Persamaan 2 dan juga output hidden layer
memakai fungsi ambang batas pada
Persamaan 3. Perbedaan signifikan terdapat Prediksi Kelas
dalam data yang dipakai, yaitu data testing. Hepatitis
Urtikaria √ 71,0%
Rata-Rata Akurasi
Artritis √ √ 70,0% 70,00%
Sakit kepala √ √ 69,0% 69%
68,0%
Pilek √ √ 67,0% 66,6%
66,0% 66,5% 66,64%
Batuk √
65,0%
Kelelahan √ √ 64,0%
Muntah √ √ 55 : 45 60 : 40 70 : 30 80 : 20 85 : 15
Presentase Data
jumlah hidden neuron berjumlah sedikit Hiperbolik Tangen karena kedua fungsi ini
(K.Gnana dan S.N, 2013). Pada Gambar 5 merupakan fungsi logistic (Shenouda, 2006).
ditunjukkan visualisasi pada banyaknya total
hidden neuron.
Hiperbolik Tangen 63,00%
Fungsi Aktivasi
Sigmoid Bipolar 70,00%
80,00% 75,00% 65,00%
Rata-Rata Akurasi
Tabel 5. Analisis Global dan Hasil Pengujian 4,00% dan akurasi pada Naive Bayes lebih
Algoritme Rata-Rata rendah sebanyak 9,80% terhadap rata-rata
K-Nearest Neighbor 76,0 %
akurasi yang dihasilkan Extreme Learning
Naive Bayes 70,2 %
Machine yakni sebesar 80,00%.
Extreme Learning
Machine
80,0 % DAFTAR PUSTAKA
Ahmad, N. dan Kusnanto, H., 2017. Prevalensi
Setelah melakukan perbandingan tersebut infeksi virus Hepatitis B pada bayi dan
didapatkan hasil global yaitu Algoritme pada anak yang dilahirkan ibu dengan HBsAg
Extreme Learning Machine (ELM) untuk positif. Journal of Community Medicine
klasifikasi jenis penyakit Hepatitis cukup kuat and Public Health, 33, pp.515–520.
diantara K-Nearest Neighbor (KNN) dan juga
Naive Bayes. Hasil yang paling optimal Ariestyani, M.C., Adikara, P.P. dan Perdana,
dihasilkan menggunakan fungsi Sigmoid Biner R.S., 2018. Klasifikasi Penyimpangan
dan total hidden neuron sejumlah 7 hingga Tumbuh Kembang Anak Menggunakan
pembagian porsi data sebanyak 80:20 pada Metode Extreme Learning MachineNo
algoritme ELM menghasilkan rata-rata akurasi Title. 2, pp.1620–1629.
sebanyak 80,00%. Cholissodin, I. dan Sutrisno, S., 2018. Prediction
of Rainfall using Simplified Deep
5. KESIMPULAN Learning based Extreme Learning
Berbagai hasil pengujian dan juga hasil Machines. Journal of Information
analisis mengenai implementasi metode Extreme Technology and Computer Science, 3(2),
Learning Machine pada klasifikasi jenis p.120.
penyakit Hepatitis berdasarkan faktor gejala Fausett, L., 1994. Fundamentals of Neural
sudah ditampilkan maka didapatkan beberapa Networks, Architecture, Algorithms, and
kesimpulan yakni: Application. Upper Saddle River: Prentice
1. Berdasarkan pengujian pada implementasi Hall.
metode Extreme Learning Machine pada Feng, J. dan Lu, S., 2019. Performance Analysis
klasifikasi jenis penyakit Hepatitis of Various Activation Functions in
berdasarkan faktor gejala dengan jumlah Artificial Neural Networks. Journal of
keseluruhan data sebanyak 100 data yang Physics: Conference Series, 1237(2).
dibagi antara data training dan data testing
sebanyak 80:20. Parameter optimal Gips, D.C.. dan Wilson, D.J.H.., 1989.
didapatkan dengan menggunakan Diagnosis dan terapi "Penyakit Hati dan
parameter nilai hidden neuron sebanyak 7 Empedu (Lever en galwegen diagnostiek
dan menggunakan fungsi aktivasi yaitu en therapie). Jakarta: Jakarta: Hipokrates,
Sigmoid Biner menghasilkan rata-rata 1989.
akurasi sebesar 80,00%. Huang, G.., Zhu, Q.. dan Siew, C.., 2006.
2. Pada hasil perbandingan yang dilakukan Extreme Learning Machine : Theory and
meliputi metode klasifikasi sederhana yang Application Extreme Learning Machine :
dipakai yaitu algoritme K-Nearest Theory and Application. 70, pp.489–501.
Neighbor dan dengan Naive Bayes. Hasil
pengujian pada algoritme K-Nearest Jain, Y. dan Kumar, B.S., 2011. Min max
Neighbor mendapatkan total rata-rata normalization based data perturbation
akurasi sebanyak 76,00% pada method for privacy protection.
perbandingan porsi data sebanyak 80:20 International Journal of Computer &
dan menggunakan k sebanyak 5. Hasil communication Technology, 2(8), pp.45–
pengujian lainnya pada Naive Bayes 50.
mendapatkan nilai akurasi rata-rata sebesar Jatmiko, W., Fajar, M., Tawakal, M.I.,
70,2% pada lima kali uji percobaan pada Trianggoro, W., Rambe, R.S. and Fauzi,
setiap data training dan data testing 2011. Implementasi Berbagai Algoritma
berlainan. Pada hasil pengujian tersebut, Neural Network dan Wavelet Pada Field
dapat disimpulkan nilai akurasi pada K- Programmable Gate Array. Perpustakaan
Nearest Neighbor lebih rendah sebanyak Nasional.