Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma

Abstract

Penelitian ini bertujuan untuk memprediksi penyakit asma menggunakan teknik pengenalan pola yaitu jaringan saraf tiruan dengan metode backpropagation. Data penilaian asma mengacu pada riwayat penyakit asma seseorang. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 18 lapisan masukan, 8 lapisan tersembunyi dan 4 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai toleransi error 0.001, menghasilkan maksimal epoch 4707 dan MSE 0.00100139. MSE berada di bawah nilai error yaitu 0.001, Parameter tersebut dipilih menjadi parameter terbaik karena menghasilkan jumlah iterasi yang memiliki nilai akurasi MSE yang cukup baik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.

This study aims to predict asthma using pattern recognition techniques namely artificial neural network with back propagation method. Asthma assessment data refers to a person's history of asthma. Artificial neural network is done by determining the number of units for each layer with binary sigmoid activation function. Testing is done using matlab software being tested with some form of network architecture. Architecture with the best configuration consists of 18 layers of input, 8 hidden layer and output layer 4 with a value of learning rate of 0.5, the error tolerance value 0001, 4707 and resulted in the maximum epoch MSE .00100139. MSE is under the error value is 0.001, the parameter is chosen to be the best parameters for generating the number of iterations that have an accuracy value of MSE is quite good, because the smallest MSE value than other architectures as well as the value of the MSE under a specified error value. Binary sigmoid function is used for neural network trained using the backpropagation method. Sigmoid function has a value in the range 0 to 1. Therefore, this function is often used for neural networks that require output value lies in the interval 0 to 1.