PENERAPAN QUICKPROPAGATION DAN ATTRIBUTE REDUCTION BERDASARKAN INFORMATION GAIN DAN DISCERNIBILITY MATRIX UNTUK PREDIKSI STROKE ULANGAN

JAZILUL ATHOYA, Anifuddin Aziz, S.Si, M.Kom.

2014 | Skripsi | ILMU KOMPUTER

Stroke ulangan merupakan salah satu penyakit yang dapat menyebabkan kematian. Stroke ulangan dapat diprediksi karena ada beberapa faktor yang mempengaruhi seseorang untuk mengalami stroke kembali pasca stroke pertama. Penyakit stroke ulangan ini dapat diprediksi karenanya diperlukan klasifier yang dapat memetakan faktor-faktor ke dalam prediksi yang benar. Quickpropagation adalah salah satu lgoritma jaringan syaraf tiruan yang pada dasarnya menggunakan perubahan bobot dari epoch sebelumnya. Quickpropagation merupakan algoritma perkembangan dari backpropagation dimana algoritma ini dapat lebih cepat. Jaringan syaraf tiruan akan memiliki fungsi yang kompleks apabila memiliki dimensi dari variabel input yang besar. Data stroke yang didapat ini terdapat data yang tidak relevan. Hal ini dapat mengurangi akurasi prediksi. Untuk mengatasi hal ini digunakan attribute reduction yaitu metode untuk mengambil subset dari variabel yang akan digunakan untuk training. Dengan menggunakan metode ini jaringan syaraf tiruan dapat bekerja dengan optimal dan mendapat nilai akurasi yang tinggi dalam memprediksi masalah stroke ulangan. Dalam memprediksi stroke ulangan ini dibutuhkan data sampel untuk digunakan dalam melatih quickpropagation. Data ini didapatkan dari pasien RSUP Dr. Sardjito. Data yang didapatkan kemudian diolah sehingga dapat dikenali dan dilatih oleh quickpropagation. Dari pengujian diperoleh hasil bahwa quickpropagation dapat memprediksi masalah stroke ini dengan nilai akurasi sebesar 74%. Dengan menggunakan attribute reduction dengan high-entropy set, quickpropagation ini dapat meprediksi dengan nilai akurasi sebesar 78% sedangkan dengan discernibility matrix didapatkan akurasi sebesar 76%. Keyword : jaringan syaraf tiruan, quickpropagation, attribute reduction, stroke ulangan

The death can be caused by illness, one of them are because of reccurent stroke. Recurrent stroke can be predicted because there are some factors that raising the risk of occuring after having the first stroke. This reccurent stroke problem can be predicted thus to solving this problem a classifier that able to relate factors into right prediction is needed. Artificial neural network with quickpropagation is an improved and faster algorithm based on backpropagtaion. But there is one problem, function of an artificial neural netwrok will grows complex if it's component is not on suitable parameters including the dimension of input variables. There is a chance that a variables from acquired stroke data is not relevan nor on good distribution. Neural networks can be resulting with low accracy. To avoid this problem, taking relevant subset from all variables is used which this method is called attribute reduction. Using this method neural network can run better and get high accuracy on predictioning reccurent stroke problem. In order to predict reccurent stroke problem, sample data from this reccurent stroke is needed. Sample data is obtained from RSUP Dr. Sardjito. Sample data is processed beforehand so quickpropagation can do prediction. This research run some test from sample data to get accuracy. Result of this research shows that quickpropagation can predict reccurent stroke problem with 74% accuracy without attribute reduction. Using attribute reduction with high-entropy subset is resulting 74% accuracy and 76% accuracy with discernibilty matrix. Keyword : neural network, quickpropagation, attribute reduction, recurrent stroke

Kata Kunci : jaringan syaraf tiruan, quickpropagation, attribute reduction, stroke ulangan