Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 4, No. 3, Maret 2020, hlm. 789-797 http://j-ptiik.ub.ac.id

Implementasi Metode Extreme Learning Machine pada Klasifikasi Jenis

Penyakit Hepatitis berdasarkan Faktor Gejala
Salsabila Multazam1, Imam Cholissodin2, Sigit Adinugroho3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1salsabilamultazam@gmail.com, 2imamcs@ub.ac.id, 3sigit.adinu@ub.ac.id

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

Fakultas Ilmu Komputer

Universitas Brawijaya 789
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Dalam kondisi normal, virus dapat
mengakibatkan kerusakan ringan pada sel-sel
yang sudah memiliki peringkat diferensiasi
yang tinggi sehingga tidak mengakibatkan
gejala apapun. Sebaliknya, virus yang dapat
menimbulkan kerusakan akan menimbulkan
gejala yang serius, khususnya penyakit
Hepatitis (Gips dan Wilson, 1989). Sebagian
infeksi virus berjalan seiring dengan gangguan
– gangguan fungsi hati antara lain virus
Sitomegalus (VSM), virus Hepatitis A (HVA)
dan virus Hepatisis B (HVB).
Pada tahun 2013, Prevalensi Hepatitis di
Indonesia ada di poin sebesar 1,2 % meningkat
dua kali dibandingkan riset yang dilakukan
oleh Riskesdas tahun 2007 yang sebesar 0,6%.
Angka tertinggi prevalensi Hepatitis pada
2013 terletak di Nusa Tenggara Timur (NTT)
dengan prevalensi sebesar 4,3%. Jumlah
prevalensi semakin meningkat ditandai dengan
penduduk yang berusia diatas 15 tahun yaitu
Hepatitis A (19,3%) , Hepatitis B (21,8%), dan
Hepatitis C (2,5%) (Kementerian Kesehatan
Republik Indonesia, 2014).
Pencermatan terhadap penyakit yang
dialami sangatlah penting, bahwasanya
banyak ketidakpahaman terhadap penyakit
karena kelalaian dalam pengamatan secara
detil. Pada penderita penyakit ini seringkali
tidak memahami bahkan mengalami gejala
yang terjadi sehingga tidak dapat mengetahui
bahwasanya mereka sudah terinfeksi hepatitis
dan gejala yang ditimbulkan seperti mata dan
kulit menjadi kuning, demam, hingga mual
(Wright dan Grulich, 2009). Efek yang terjadi
ialah sulit untuk membedakan penyakit yang
dialami oleh pasien karena gejala yang dialami
hampir sama.
Dalam sebuah wawancara bersama Dr.
Syifa Mustika, SP.PD-KGEH selaku dokter
penyakit dalam menyampaikan sampai saat ini
belum ada software dan hardware yang dapat
mengkalkulasikan pasien terjangkit penyakit
hepatitis A dan Hepatitis B. Dengan adanya
permasalahan tersebut perlu adanya suatu
software/hardware dalam mengkalkulasikan
awal penyakit Hepatitis diperlukan untuk
membantu para tenaga ahli medis lainnya dalam
mengkalkulasikan awal penyakit pada pasien.
Extreme Learning Machine menyandang
kemampuan dalam menyelesaikan persoalan
mengenai regresi hingga klasifikasi dari segi
Fakultas Ilmu Komputer, Universitas Brawijaya
790
kualitas waktu dan mengutamakan kecepatan
pembelajaran dan kinerja generalisasi terbaik.
ELM lebih unggul jika dibandingkan dengan
metode Backpropagation (Huang, Zhu dan
Siew, 2006). Berdasarkan penelitian sebelumnya
yakni pemanfaatan metode ELM dalam
Klasifikasi Penyimpangan Kembang Tumbuh
Anak memakai porsi data berjumlah 100 pada
kriteria sebesar 38 pernyataan didapatkan
akurasi sebesar 76,67% dengan menggunakan
fungsi Sigmoid Biner dengan rasio yang
didapatkan paling baik sebesar 70:30
(Ariestyani, Adikara dan Perdana, 2018).
Penelitian berikutnya mengenai Extreme
Learning Machine untuk Prediksi Rating
Otomatis Berdasarkan Review Pada Zomato
menghasilkan akurasi sebanyak 80,01% dengan
parameter yang paling optimal untuk jumlah
total K sebesar 10 dan memakai hidden neuron
sebesar 7 pada Fungsi Sigmoid Biner dengan
interval bobot -0,5 hingga 0,5 (Tania,
Cholissodin dan Dewi, 2019).
Dengan keunggulan Extreme Learning
Machine pada beberapa hasil penelitian telah
dijabarkan diyakini dapat mengatasi
permasalahan yang terjadi dan diharapkan dapat
memudahkan tenaga medis dalam menangani
dan memberikan aksi cepat terhadap gejala
Hepatitis sehingga dapat ditanggulangi pada
masyarakat awam lebih dini.
2. DASAR TEORI
2.1. Klasifikasi
Klasifikasi yakni proses menyatukan data
secara berkelompok ke dalam suatu kategori
dengan karakteristik yang sudah ditentukan
sebelumnya. Penamaan suatu label memiliki ciri
khas pola yang serupa yang akan menjadi tolak
ukur dalam tahap klasifikasi.Klasifikasi
memilikit tujuan antara lain membagi suatu
objek dan juga dapat melakukan perhitungan
prediksi (Tata, Adinugroho dan Adikara, 2019).
2.2. Jaringan Saraf Tiruan
Mengenali dan mengklasifikasikan hingga
mempelajari serangkaian pola-pola suatu
masukkan yang akan direpresentasikan sebagai
suatu kesatuan vektor merupakan pemahaman
dari Jaringan Saraf Tiruan. Bidang
Neurobiology yang saat ini mengalami
kemajuan mengundang para peneliti dalam
menciptakan model matematika guna
mensimulasikan tingkah laku jaringan saraf pada
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
manusia yang terletak dalam sel-sel syaraf
manusia (Jatmiko et al., 2011). Artificial Neural
Network adalah permrosesan informasi berbasis
sistem yang menyandang karakteristik sejenis
dengan jaringan neural biologis. Adapun
karakteristik dari neural network ditentukan
sebagai berikut:
1. Arsitektur, Pola pembelajaran antara
masing-masing neuron.
2. Learning Algorithm, Metode untuk
menentukan bobot dari hubungannya.
3. Activation Function, Fungsi dalam
menghasilkan sinyal output.
Menurut Fauset, Jaringan Saraf Tiruan
dapat diterapkan kedalam berbagai macam
masalah layaknya menyimpan dan mengingat
suatu data, mengklasifikasikan suatu pola,
memetakan pola input ke pola output hingga
dapat menemukan solusi untuk masalah yang
optimasi yang terkendala (Fausett, 1994).
2.3. Virus Hepatitis
Hepatitis merupakan peradangan
(pembengkan) pada hati hinngga liver dengan
penyebab utama infeksi, virus, melakukan satu
tubuh dengan pengguna, hingga penggunaan
obat-obatan juga faktor lainnya. Selain
disebabkan oleh faktor-faktor tersebut,
hepatitis juga terjadi karena kerusakan pada
hati yang disebabkan senyawa kimia utamanya
alkohol (Kementerian Kesehatan Republik
Indonesia, 2014). Konsumsi alkohol jangka
panjang dapat menyebabkan kerusakan sel-sel
hati menjadi permanen hingga dapat tumbuh
berkembang menjadi gagal hati yang kita
kenal dengan istilah sirosis. Pemakaian obat-
obatan melebihi dosis atau paparan yang telah
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
antar setiap hubungan dengan sanitasi daerah
yang bersangkutan dimana masih tergolong
dibawah standar internasional. Infeksi Virus
Fakultas Ilmu Komputer, Universitas Brawijaya
791
Hepatitis A tetap menjadi suatu persoalan
penting di bidang kesehatan di banyak negara-
negara industri diantara kelompok risiko tinggi
seperti Petugas kesehatan, pekerja sanitasi,
penyalahgunaan obat, kelompok
homoseksual,hingga mereka yang melakukan
transmigrasi daerah dengan curah endemisitas
level paling rendah ke tinggi hingga beberapa
rumah tahanan (Sulaiman, Akbar dan Lesmana,
2012).
2.3.2. Hepatitis B
Hepatitis B atau yang sering kita dengar
HBV merupakan infeksi serius yang ditularkan
melalui darah ataupun cairan tubuh. Virus
Hepatitis B dapat dijumpai di ruang dengan
endemik yang tinggi, dan penyebaran infeksi
HBV berlaku melalui infeksi musim perinatal
dengan istilah masa induk kanak-kanak dengan
proses yang dinamis antara virus, hepatosit, dan
sistem imun manusia. Hasil yang didapatkan
Riset Kesehatan Dasar (RISKEDAS) 2007
memperlihatkan bahwasanya prevalensi pasien
yang terjangkit Hepatitis B sejumlah 9,4%
memiliki arti bahwasanya satu dari sepuluh
penduduk Indonesia terjangkit Hepatitis B
(HBV) dan data tersebut divisualisasikan dengan
jumlah keseluruhan penduduk Indonesia di
tahun 2007, maka jumlah penderita virus HBV
dapat mencapai 23 juta orang (Ahmad dan
Kusnanto, 2017). Hepatitis B menimbulkan
gejala yang beragam mulai dengan tanpa gejala
hingga gejala yang dikategorikan sangat berat
seperti Hematemesis (Muntah Darah) maupun
koma. Masa perinatal merupakan kasus yang
menimpa banyak sekali terinfeksi Hepatitis B
dan dapat menjadi kronik pada 90% kasus
(Sulaiman, Akbar dan Lesmana, 2012). Berikut
merupakan salah satu gejala Hepatitis B.
Gambar 1. Salah Satu Gejala Hepatitis B yaitu
Ikterus
Sumber: (Sulaiman, Akbar dan Lesmana, 2012)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 792

2.4. Normalisasi Data 2. Proses hitung matriks output hidden layer

Proses normalisasi data adalah suatu teknik Hinit = 𝑋𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 . 𝑊𝑡 +𝑏 (2)
dalam memecah data yang tidak terstruktur dan
Keterangan :
beragam menjadi sama. Metode penelitian yang
Hinit = Hasil Output Hidden Layer
digunakan dalam normalisasi data pun beragam,
𝑋𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 = Data Training
salah satunya Min-Max Normalization (Jain dan
𝑊 𝑡 = Matriks Transpose Weight
Kumar, 2011). Pada normalisasi ini melakukan
𝑏 = Nilai bias
linier transformasi pada data sesungguhnya dan
Min-Max Normalization juga tetap 3. Perhitungan matriks output hidden layer
mempertahankan hubungan diantara nilai data memakai fungsi aktivasi. Fungsi aktivasi
asli. Metode Min-Max Normalization (Fungsi ambang batas) sendiri bertujuan
digambarkan sebagai berikut: dalam membatasi amplitudo output sebuah
(X ij −Minj )
neuron (Feng dan Lu, 2019). Adapun fungsi
𝑋𝑛 = (1) yang digunakan yakni Fungsi Sigmoid
(Max j −Minj )
biner, Fungsi Sin, Fungsi Sigmoid Bipolar,
Keterangan : dan Fungsi Hyperbolic Tangen.
𝑋𝑛 = Hasil keluaran akhir a. Fungsi Aktivasi Sigmoid Biner
Xij = Data sebelum normalisasi
1
Minj = Dataset bilangan terkecil 𝐻(𝑥) = (3)
1+𝑒𝑥𝑝(−𝐻𝑖𝑛𝑖𝑡)
Maxj = Dataset bilangan terbesar
b. Fungsi Aktivasi Sin
2.5. Extreme Learning Machine 𝐻(𝑥) = 𝑠𝑖𝑛(𝐻𝑖𝑛𝑖𝑡) (4)
Extreme Learning Machine merupakan c. Fungsi Aktivasi Sigmoid Bipolar
jaringan saraf tiruan feedforward guna dalam 1−𝑒𝑥𝑝(−𝐻𝑖𝑛𝑖𝑡)
menangani adanya kelemahan pada jaringan 𝐻(𝑥) = (5)
1+𝑒𝑥𝑝(−𝐻𝑖𝑛𝑖𝑡)
saraf tiruan feedforward utamanya tatkala
d. Fungsi Aktivasi Hyperbolic Tangen
kondisi learning speed (Huang, Zhu dan Siew,
2006). Kecepatan Extreme Learning Machine 𝑒𝑥𝑝(𝐻𝑖𝑛𝑖𝑡)−𝑒𝑥𝑝(−𝐻𝑖𝑛𝑖𝑡)
𝐻(𝑥) = (6)
𝑒𝑥𝑝(𝐻𝑖𝑛𝑖𝑡)+𝑒𝑥𝑝(−𝐻𝑖𝑛𝑖𝑡)
dapat beribu kali lebih cepat dengan penggunaan
metode Backpropagation dan memperoleh hasil Keterangan :
kinerja generalisasi menjadi lebih baik. (𝑥) = Menyatakan 𝐻𝑖𝑛𝑖𝑡

𝒙𝟏 Berdasarkan penjabaran diatas mengenai

N1
fungsi ambang batas, untuk tahap training
menggunakan fungsi Sigmoid Biner pada
𝒙𝟐 N1 Persamaan 3.
4. Perhitungan selanjutnya yaitu mencari nilai
Moore Penrose Generalized. Proses hitung
𝒙𝟑 N1 ini memanfaakan nilai hidden layer dengan
fungsi aktivasi.
Input hidden output
Neurons layer neurons neurons 𝐻 + = (𝐻𝑇 ∗ 𝐻)−1 ∗ 𝐻𝑇 (7)
Keterangan :
Gambar 2. Model Arsitektur ELM
𝐻 + = Matriks Moore Penrose Generalized
𝐻 = Nilai Hidden layer dengan fungsi
aktivasi
2.4.1. Extreme Learning Machine Training 𝐻𝑇 = Matriks Hidden layer transpose
(𝐻𝑇 ∗ 𝐻)−1 = Matriks inverse pada
Dalam tahapan ELM, proses yang
dilakukan pertama adalah training (Cholissodin perkalian antara hidden layer fungsi
dan Sutrisno, 2018), yakni: aktivasi dengan hidden layer transpose
1. Inisialisasi nilai masukan pada weight dan 5. Pada proses hitung output weight didapati
nilai bias dengan secara sembarang. Range dengan melakukan proses kali antara nilai
nilai random antara -1 hingga 1 dan nilai Moore Penrose Generalized serta target
hidden neuron dimasukkan secara acak. prediksi.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 793

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

3. Proses perhitungan terakhir yaitu

menghitung matriks prediksi kelas.
Selesai
ŷ=𝐻∗ 𝛽 (9)
Keterangan :
Gambar 3. Diagram Alir
ŷ = Nilai Prediksi kelas
𝐻 = Output Hidden layer dengan fungsi
aktivasi
𝛽 = Matriks Output Weight 3.3. Data Penelitian
Penelitian Implementasi Metode Extreme
3. METODOLOGI Learning Machine pada klasifikasi penyakit
Hepatitis berdasarkan faktor gejala
3.2. Lokasi Penelitian menggunakan data sebanyak 100 data, dengan
total pembagian data hepatitis A sebanyak 34
Lokasi pada penelitian Implementasi data, dan hepatitis B sebanyak 70. Adapun fitur
Metode Extreme Learning Machine Klasifikasi yang digunakan dalam penelitian ini berjumlah
Penyakit Hepatitis Berdasarkan Faktor Gejala 20 (termasuk Usia Pasien, ALT/SGOT dan
dilakukan di Laboratorium Riset Komputer AST/SGPT) dan memiliki 2 kelas yaitu Hepatitis
Cerdas Fakultas Ilmu Komputer Universitas A dan Hepatitis B.
Brawijaya dan RSUD Saiful Anwar Malang.
Tabel 1. Dataset Penulisan Faktor Gejala
3.1. Strategi Penelitian Kelas
Faktor Gejala
Penelitian Implementasi Metode Extreme A B
Learning Machine pada Klasifikasi Jenis Hilang nafsu makan √ √
Penyakit Hepatitis Berdasarkan Faktor Gejala Mual √ √
memiliki strategi penelitian pada studi kasus
Diare √
yang dijadikan stretegi dalam observasi. Studi
kasus penelitian ini menyandang tujuan guna Ikterus √ √
menarik kesimpulan sehingga mendapatkan Demam √ √
suatu sistem untuk dapat dimanfaatkan sesuai Air seni berwarna pekat √ √
dengan manfaat penelitian dan juga Berat badan menurun √
menganalisis kasus dengan objek yang Nyeri perut √ √
diobservasi yakni klasifikasi penyakit Hepatitis Kotoran berwarna dempul √
berdasarkan faktor gejala
Abdomen √

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 794

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

4. HASIL DAN PEMBAHASAN

Gambar 4. Grafik Pengujian Data Training dan Data
Testing
4.1. Pengujian Presentase Jumlah Data
Training dan Data Testing.
Pada pengujian bertujuan untuk mengetahui
porsi data training dan testing yang ideal. 4.2. Pengujian dan Analisis Jumlah Hidden
Pengujian ini akan digunakan sebanyak 100 data Neuron
dengan 5 kali uji coba. Pengujian menggunakan Pengujian merujuk hasil terpilih pada
hidden neuron berjumlah 5 dengan fungsi pengujian yang telah dilakukan sebelumnya
ambang batas yakni sigmoid biner, serta yakni pengujian Presentase Jumlah Data
parameter pembagian data training dan testing Training dan Data Testing dengan dengan
berkisar dari 55:45 sampai 85:15. Banyaknya pembagian porsi 80 data training dan 20 data
fitur berjumlah 20 dan interval pada jumlah testing. Pengujian ini memakai 6 kali uji coba
bobot yang digunakan -1 hingga 1. jumlah Hidden Neuron sebanyak yaitu 7, 10, 15,
25, 50, dan 100. Fungsi aktivasi yang dipakai
Tabel 2. Pengujian Data Training dan Data Testing pada pengujian Hidden Neuron yakni memakai
Prese Akurasi Percobaan Ke- Rata- fungsi ambang batas Sigmoid Biner untuk nilai
ntase 1 2 3 4 5 Rata interval bias pada -1 hingga 1.
55 :
66,6 64,4 77,7 66,6 57,7 66,6% Tabel 3. Pengujian Jumlah Hidden Neuron
45
60 : Akurasi Percobaan Ke- Rata-
67,5 62,5 65,0 67,5 70,0 66,5% H
40 1 2 3 4 5 Rata
70 : 7 70,0 65,0 75,0 75,0 90,0 75,0%
73,3 70,0 76,6 60,0 66,6 69%
30
10 65,0 65,0 60,0 75,0 60,0 65,0%
80 :
70,0 55,0 75,0 75,0 75,0 70,0% 15 70,0 75,0 55,0 70,0 55,0 65,0%
20
85 : 25 50,0 65,0 60,0 65,0 65,0 61,00%
60,0 73,3 73,3 60,0 66,6 66,6% 50 50,0 50,0 45,0 45,0 50,0 48,00%
15
100 70,0 65,0 70,0 50,0 30,0 57,00%
Hasil pada pembagian data sebanyak 60:40
menghasilkan nilai yang terendah yaitu Berdasarkan pada Tabel 3. Menghasilkan
menghasilkan nilai rata-rata sejumlah 66,5% nilai rata-rata akurasi yang cukup bervariasi dari
sementara untuk rata-rata tertinggi ditemui pada 48% hingga 75%. Pada pengujian menggunakan
pembagian porsi 80:20 yaitu dengan nilai rata- jumlah Hidden Neuron, nilai Hidden Neuron
rata sebesar 70%. Hasil analisa menampilkan beragam yaitu 7, 10, 15, 25, 50, dan 100. Hasil
bahwasanya nilai pembagian porsi semakin terbaik didapatkan ketika nilai hidden berjumlah
menuju angka yang besar maka data training 7 yaitu menghasilkan akurasi rata-rata sebesar
dapat melakukan pembelajaran dengan baik dan 75,00%. Nilai yang dihasilkan setiap jumlah
juga akurat. Berdasarkan hasil pada pengujian hidden neuron sangat bervariasi. Hal ini
tersebut dapat dilihat persentase grafik pada dikarenakan overfitting dan juga underfitting.
pengujian yang ditampilkan pada Gambar 4. Jumlah hidden neuron yang sangat tinggi tidak
baik dalam pola pembelajaran dan akan terjadi
overfitting. Underfitting juga terjadi pada proses
training tidak dapat melakukan pengenalan
pembelajaran dengan baik yang disebabkan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 795

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

60,00% 48,00% Sin 62,00%

65,00% 61,00%
40,00% 57,00% Sigmoid Biner 80,00%
20,00%
0 0,2 0,4 0,6 0,8 1
0,00%
Rata-Rata Akurasi
H=7 H= H= H= H= H=
10 15 25 50 100
Jumlah Hidden Neuron Gambar 6. Grafik Pengujian Fungsi Aktivasi

Gambar 5. Grafik Pengujian Jumlah Hidden Neuron

4.3. Pengujian Fungsi Aktivasi
Penelitian ini menggunakan 4 Fungsi
ambang batas yakni Sigmoid Biner, Sin,
Sigmoid Bipolar dan juga Hyperbolic Tangen.
Pembagian porsi data pada pengujian fungsi
aktivasi ini yakni 80 data latih dan 20 data uji
menggunakan hidden neuron sebanyak 7 dan
interval nilai bobot yaitu -1 hingga 1.
Perhitungan pengujian mendapat rata-rata nilai
akurasi yang berbeda disebabkan nilai input
weight dan nilai bias diinisialisasikan
menggunakan nilai acak.
Tabel 4. Pengujian Fungsi Aktivasi
Akurasi Percobaan Ke-
Fungsi
1 2 3 4
Sigmoid
80 75 80
Biner
Sin 60 60 50
Sigmoid
75 70 70
Bipolar
Hiperbo
65 60 70
Tangen
Berdasarkan Tabel 4. menghasilkan nilai
rata-rata akurasi yang cukup bervariasi. Adapun
kesimpulan singkat yang didapatkan pada
pengujian aktivasi memiliki formula yang
berbeda-beda dan Fungsi Sigmoid Biner
memiliki fungsi ambang batas yang sesuai
dengan penelitian ini. Hal ini menunjukkan jika
fungsi aktivasi yang dipakai yaitu SigmoidBiner
sesuai dengan metode pada observasi ini. Hasil
akurasi cukup akurat dihasilkan ketika
menggunakan fungsi aktivasi Sigmoid dan juga
4.3. Analisis Global dan Hasil Pengujian
Penggunaan hidden neuron yang
nominalnya terlalu sedikit membuat nilai akurasi
akan tidak maksimal, dan penggunaan hidden
neuron yang nominlnya terlalu tinggi juga akan
tidak mendapatkan hasil yang maksimal. Hal ini
dikaitkan dengan istilah overfitting dan
underfitting. Penggunaan hidden neuron terlalu
minim membuat sistem sulit membaca pola
pembelajaran data pada proses training sehingga
ketika dilakukan pengujian akan menghasilkan
nilai akurasi yang dikatakan rendah. Begitu pun
dengan penggunaan hidden neuron yang terlalu
tinggi dapat mengakibatkan pembelajaran
terhadap pola data terlalu banyak sehingga
mengakibatkan overfitting.
Rata- Hasil analisis global juga didapatkan
5 Rata dengan melakukan perbandingan dengan
algoritme lain pada klasifikasi jenis penyakit
90 75 80,00% Hepatitis. Pada analisis global pertama dengan
70 70 62,00% membandingkan menggunakan algoritme K-
Nearest Neighbor (KNN) sebagaimana
65 70 70,00%
perhitungan pada jarak menggunakan Euclidean
Distance dan jumlah nilai tetangga terdekat (K)
60 60 63,00%
sebanyak 5 buah yakni K=3, K=5, K=7, K=9 dan
K=11 dengan perbandingan porsi data sebanyak
80:20. Pada algoritme KNN menghasilkan
akurasi rata-rata sebesar 76,0%.
Hasil analisis global selanjutnya dengan
melakukan perbandingan algoritme lainnya
yaitu Naive Bayes. Pada analisis global yang
kedua ini dengan melakukan pembagian porsi
data sebanyak 55:45, 60:40, 70:30, 80:20, dan
85:15 pada Multinomial Naive Bayes. Akurasi
rata-rata pada analisis global menggunakan
Naive Bayes didapatkan sebesar 70,2%.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 5. Analisis Global dan Hasil Pengujian
Algoritme Rata-Rata
K-Nearest Neighbor 76,0 %
Naive Bayes 70,2 %
Extreme Learning
Machine
80,0 %
Setelah melakukan perbandingan tersebut
didapatkan hasil global yaitu Algoritme pada
Extreme Learning Machine (ELM) untuk
klasifikasi jenis penyakit Hepatitis cukup kuat
diantara K-Nearest Neighbor (KNN) dan juga
Naive Bayes. Hasil yang paling optimal
dihasilkan menggunakan fungsi Sigmoid Biner
dan total hidden neuron sejumlah 7 hingga
pembagian porsi data sebanyak 80:20 pada
algoritme ELM menghasilkan rata-rata akurasi
sebanyak 80,00%.
5. KESIMPULAN
Berbagai hasil pengujian dan juga hasil
analisis mengenai implementasi metode Extreme
Learning Machine pada klasifikasi jenis
penyakit Hepatitis berdasarkan faktor gejala
sudah ditampilkan maka didapatkan beberapa
kesimpulan yakni:
1. Berdasarkan pengujian pada implementasi
metode Extreme Learning Machine pada
klasifikasi jenis penyakit Hepatitis
berdasarkan faktor gejala dengan jumlah
keseluruhan data sebanyak 100 data yang
dibagi antara data training dan data testing
sebanyak 80:20. Parameter optimal
didapatkan dengan menggunakan
parameter nilai hidden neuron sebanyak 7
dan menggunakan fungsi aktivasi yaitu
Sigmoid Biner menghasilkan rata-rata
akurasi sebesar 80,00%.
2. Pada hasil perbandingan yang dilakukan
meliputi metode klasifikasi sederhana yang
dipakai yaitu algoritme K-Nearest
Neighbor dan dengan Naive Bayes. Hasil
pengujian pada algoritme K-Nearest
Neighbor mendapatkan total rata-rata
akurasi sebanyak 76,00% pada
perbandingan porsi data sebanyak 80:20
dan menggunakan k sebanyak 5. Hasil
pengujian lainnya pada Naive Bayes
mendapatkan nilai akurasi rata-rata sebesar
70,2% pada lima kali uji percobaan pada
setiap data training dan data testing
berlainan. Pada hasil pengujian tersebut,
dapat disimpulkan nilai akurasi pada K-
Nearest Neighbor lebih rendah sebanyak
Fakultas Ilmu Komputer, Universitas Brawijaya
796
4,00% dan akurasi pada Naive Bayes lebih
rendah sebanyak 9,80% terhadap rata-rata
akurasi yang dihasilkan Extreme Learning
Machine yakni sebesar 80,00%.
DAFTAR PUSTAKA
Ahmad, N. dan Kusnanto, H., 2017. Prevalensi
infeksi virus Hepatitis B pada bayi dan
anak yang dilahirkan ibu dengan HBsAg
positif. Journal of Community Medicine
and Public Health, 33, pp.515–520.
Ariestyani, M.C., Adikara, P.P. dan Perdana,
R.S., 2018. Klasifikasi Penyimpangan
Tumbuh Kembang Anak Menggunakan
Metode Extreme Learning MachineNo
Title. 2, pp.1620–1629.
Cholissodin, I. dan Sutrisno, S., 2018. Prediction
of Rainfall using Simplified Deep
Learning based Extreme Learning
Machines. Journal of Information
Technology and Computer Science, 3(2),
p.120.
Fausett, L., 1994. Fundamentals of Neural
Networks, Architecture, Algorithms, and
Application. Upper Saddle River: Prentice
Hall.
Feng, J. dan Lu, S., 2019. Performance Analysis
of Various Activation Functions in
Artificial Neural Networks. Journal of
Physics: Conference Series, 1237(2).
Gips, D.C.. dan Wilson, D.J.H.., 1989.
Diagnosis dan terapi "Penyakit Hati dan
Empedu (Lever en galwegen diagnostiek
en therapie). Jakarta: Jakarta: Hipokrates,
1989.
Huang, G.., Zhu, Q.. dan Siew, C.., 2006.
Extreme Learning Machine : Theory and
Application Extreme Learning Machine :
Theory and Application. 70, pp.489–501.
Jain, Y. dan Kumar, B.S., 2011. Min max
normalization based data perturbation
method for privacy protection.
International Journal of Computer &
communication Technology, 2(8), pp.45–
50.
Jatmiko, W., Fajar, M., Tawakal, M.I.,
Trianggoro, W., Rambe, R.S. and Fauzi,
2011. Implementasi Berbagai Algoritma
Neural Network dan Wavelet Pada Field
Programmable Gate Array. Perpustakaan
Nasional.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 797

K.Gnana, S. dan S.N, D., 2013. Review on

Methods to Fix Number of Hidden
Neurons in Neural Networks.
Mathematical Problems in Engineering,
Vol. 2013, p.11.
Kementerian Kesehatan Republik Indonesia,
2014. Pusat Data Dan Informasi
Kementrian Kesehatan RI (Situasi
Penyakit Hepatitis B di Indonesia). ISSN
2442-.
Shenouda, E.A.M.A., 2006. A quantitative
comparison of different MLP activation
functions in classification. Lecture Notes
in Computer Science (including subseries
Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics),
3971 LNCS, pp.849–857.
Sulaiman, H.A., Akbar, H.N. dan Lesmana,
L.A., 2012. Buku Ajar Ilmu Penyakit Hati.
1st ed. Jakarta: CV SAGUNG SETO.
Tania, D., Cholissodin, I. dan Dewi, C., 2019.
Prediksi Rating Otomatis Berdasarkan
Review Restoran pada Aplikasi Zomato
dengan menggunakan Extreme Learning
Machine (ELM). Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
Vol.3, No., pp.4687–4693.
Tata, D., Adinugroho, S. dan Adikara, P., 2019.
Klasifikasi Pengidap Kanker Payudara
Menggunakan Metode Voting Based
Extreme Learning Machine (V-ELM). 3,
pp.2180–2186.
Wright, E. dan Grulich, A., 2009. Hepatitis B
Fact Sheet For People With Chronic
Infection. Australasian Society for HIV
Medicine (Cancer Council), pp.1–3.

Fakultas Ilmu Komputer, Universitas Brawijaya