Klasifikasi Penyakit Tuberkulosis (TB) menggunakan Metode Extreme Learning Machine (ELM)

Fakultas Ilmu Komputer

Universitas Brawijaya

1387

Klasifikasi Penyakit Tuberkulosis (TB) menggunakan Metode Extreme

Learning Machine (ELM)

Vivin Vidia Nurdiansyah1_{, Imam Cholissodin}2_{, Putra Pandu Adikara}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{vivinvidiavn@gmail.com,} 2_{imamcs@ub.ac.id,} 3_{adikara.putra@ub.ac.id}

Abstrak

Tuberkulosis (TB) merupakan penyakit penyebab kematian tertinggi di Dunia. Penyakit ini menyerang sistem pernapasan paru paru dan termasuk ke dalam penyakit menular. Pada tahun 2019 Indonesia adalah Negara yang menduduki posisi tertinggi ketiga dalam jumlah kasus penyakit TB yakni sebanyak 842.000. Meningkatnya kasus TB dari tahun ketahun dikarenakan masyarakat kurang mengetahui informasi mengenai bahaya maupun pengobatan dan pencegahan dari penyakit ini. Oleh karena itu diperlukan adanya klasifikasi tentang tuberkulosis terhadap masyarakat agar mengetahui risiko mengidap penyakit TB berdasarkan gejala yang dialami. Dari permasalahan tersebut maka diperlukan klasifikasi penyakit TB sebagai peningkatan kesadaran masyarakat terhadap penyakit TB. Penelitian ini bertujuan untuk memperoleh hasil klasifikasi TB menggunakan metode Extreme Learning Machine (ELM). Berdasarkan hasil pengujian dan analisis menggunakan confusion matrix dengan memakai data penyakit TB Puskesmas Dinoyo Tahun 2018-2019 diperoleh nilai akurasi tertinggi sebesar 99,33% dengan jumlah hidden neuron 20, persentase data training dan data testing sebesar 70%:30%, dan menggunakan fungsi aktivasi sigmoid biner.

Kata kunci: klasifikasi, tuberkulosis, extreme learning machine, confusion matrix

Abstract

Tuberculosis (TB) is the highest cause of death in the world. This disease attacks the respiratory system and included in infectious diseases. In 2019, Indonesia occupies the third highest position for the number of TB disease case namely as many as 842.000 cases. The increase in TB cases from year to year is due to people with insufficient information about the dangers as well as the treatment and prevention of this disease. Therefore, it is necessary to do the classification of tuberculosis for the community in order to determine the risk of developing TB disease based on symptoms experienced. From these problems, it is necessary to classify TB disease as an effort to increase public awareness of the TB disease. This study aims to obtain the result of the TB classification using the Extreme Learning Machine (ELM) method. Based on the result of testing and analysis using confusion matrix using TB data from Dinoyo Puskesmas in 2018-2019, the highest accuracy value is 99.33% with the number of hidden neurons 20, the percentage of training data and testing data is 70% : 30%, and uses the sigmoid biner function activation.

Keywords: classification, tuberculosis, extreme learning machine, confusion matrix

1. PENDAHULUAN

Salah satu organ manusia yang sangat penting dalam sistem pernapasan adalah paru-paru

.

Fungsi utama paru-paru adalah untuk proses respirasi yang bertugas memompa udara yang masuk ke dalam tubuh. Kesehatan organ paru-paru sangat penting, karena jika organ ini mengalami gangguan maka akan berpengaruh terhadap kesehatan tubuh lainya. Jenis penyakit

yang menyerang organ paru-paru salah satunya adalah Tuberkulosis (TB). TB merupakan pernyakit yang paling banyak dialami masyarakat dan termasuk ke dalam salah satu penyakit penyebab kematian tertinggi di Dunia (World Health Organization, 2020). Penyakit TB disebabkan oleh bakteri Mycrobacterium tuberculosis yang tergolong pada bakteri yang

menular. Pemeriksaan penyakit TB memerlukan beberapa hal yakni pemeriksaan fisik dan

laboratorium dengan melakukan pemeriksaan dahak menggunakan 3 spesimen. Pemeriksan dahak memiliki fungsi untuk menegakkan sebuah hasil akhir dari pemeriksaan, apakah ditemukan Bakteri Tahan Asam (BTA) ataupun tidak.

Dari data World Health Organization (2019), Indonesia adalah Negara yang menduduki peringkat ketiga dalam jumlah kasus penyakit TB dengan jumlah sebanyak 842.000 atau 46 persen dari total kasus yang ada. Di Indonesia provinsi Jawa Timur merupakan provinsi nomor 2 tertinggi dalam kasus TB dengan total 57.014. Menurut Dr.Kohar Hari Santoso (2019), peningkatan kasus TB dari tahun ketahun di berbagai daerah dikarenakan kurangnya sosialisasi dan pemberian informasi tentang bahaya penyakit maupun cara mengatasi dan mencegah TB. Selain itu kasus TB di Indonesia meningkat dikarenakan masyarakat yang selalu meremehkan kesehatan dan tidak menyelesaikan pengobatan TB. Oleh karena itu diperlukan adanya klasifikasi pengidap penyakit TB untuk mengetahui risiko mengidap penyakit TB berdasarkan gejala yang dialami, klasifikasi ini juga berguna untuk menyamakan data yang ada di tenaga medis penyakit TB.

Klasifikasi merupakan pengelompokan data yang mana data tersebut mempunyai kelas label ataupun sebuah target. Terdapat beberapa metode klasifikasi diantaranya adalah Extreme

Learning Machine (ELM). Metode ini terdapat

pada Jaringan Saraf Tiruan. Metode ELM mempunyai akurasi yang cukup tinggi dibanding algoritme yang lain. Pada metode ELM kecepatan dalam pembelajaran lebih cepat daripada metode Backprogation (BP), SVM dan

Least SVM Square (LS-SVM) (Hidayat &

Suprapto, 2016). Penelitian selanjutnya yaitu menyatakan bahwa ELM medapat rerata pengujian 76,54% dengan 20 neuron. Hasil ini lebih tinggi dibanding algoritma Backprogation dan SVM. ELM merupakan algoritma yang lebih sederhana dibanding algoritma feedforward lainnya (Huang, Zhu, & Siew, 2004).

Penelitian sebelumnya yang memakai metode ELM diantaranya untuk klasifikasi penyimpangan tumbuh kembang anak. Proses hitung akurasi memakai confusion matrix dan fungsi aktivasi sigmoid biner. Penelitian ini mendapatkan akurasi tertinggi pada sistem mencapai 76.67% (Ariestyani, Adikara, & Perdana, 2018).

Penelitian lain yang menggunakan ELM adalah dalam mngklasifikasi penyakit Chronic

Kidney Disease (CKD). Confusion Matrix

digunakan pada penelitian ini, hasil akurasi sistem mencapai 96.7%, rata-rata precision sebesar 96.7%, recall 96.8%, dan f1-score 96.6%. Hal tersebut membuktikan bahwa algoritme ELM mampu menyelesaikan kasus klasifikasi dengan hasil yang baik dan menghasilkan nilai akurasi yang tinggi (Fadilla, Adikara, & Perdana, 2018). Penelitian dilakukan untuk mendeteksi penyakit Tuberkulosis (TB) melalui rontgen menggunakan metode

Backprogation menghasilkan akurasi 79,41

dengan memakai hidden layer sebanyak 3, 1

output, learning rate 0,7, serta target error

adalah 1000 (Depinta & Abdullah, 2017). Dari permasalahan maka penulis akan melakukan penelitian “Klasifikasi Penyakit Tuberkulosis (TB) Menggunakan Metode

Extreme Learning Machine (ELM)”.

Berdasarkan penelitian diatas ELM dapat memberi nilai akurasi tinggi. Metode ELM juga dapat menyelesaikan dalam permasalahan prediksi maupun klasifikasi dengan kecepatan yang baik dibandingkan metode-metode lain yang ada. Penulis berharap bahwa metode ELM ini dapat menyelesaikan permasalahan klasifikasi pengidap TB dengan hasil yang akurat yang nantinya hasil klasifikasi tersebut akan dibandingkan dengan hasil diagnosis tenaga medis.

2. DASAR TEORI 2.1 Klasifikasi

Klasifikasi menggambarkan sebuah topik pembelajaran yang ada di dalam data mining serta machine learning. Pengertian dari klasifikasi adalah sebuah pengelompokkan beberapa data kedalam kelas atau label tertentu yang sudah ditentukan sebelumnya. Dalam menyelesaikan kasus klasifikasi terdapat algoritma-algoritma yang berjalan, algoritma ini termasuk dalam supervised learning.

2.2 Tuberkulosis (TB)

Tuberkulosis (TB) sebuah penyakit yang dipicu oleh kuman yang memiliki nama

Mycrobacterium tuberculosis, penyakit TB

termasuk kedalam penyakit infeksi menular. Kuman Mycrobacterium memiliki beberapa jenis spesies diantaranya adalah M.tuberculosis,

M.bovis, M.Leprae, M.africanum, dll

(Kementrian Kesehatan Republik Indonesia, 2018). Gejala yang paling utama pada pengidap TB adalah batuk selama 2 minggu ataupun lebih,

gejala batuk ini biasanya juga diikuti dengan gejala lainnya seperti batuk berdarah dan berdahak, mengalami sesak nafas, badan akan menjadi lebih mudah lelah dan lemas, tiap malam hari badan akan mudah berkeringat, serta penderita akan mengalami penurunan nafsu makan.

Penyakit TB akan menyerang paru-paru dan jika tidak mendapat pengobatan akan menyebar ke organ tubuh lainnya. Menurut World Health Organization (WHO) (2018), kasus TB di Indonesia mengakibatkan 301 orang meninggal akibat penyakit ini.

2.3 Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) merupakan jaringan menyerupai cara kerja otak manusia dan berfungsi untuk menyelesaikan sebuah tugas tertentu (Haykin, 2009). JST memiliki neuron-neuron yang saling berkaitan dan berhubungan seperti otak manusia. Neuron yang menerima informasi akan menyalurkan informasi ke neuron lainnya. Informasi ini merupakan nilai tertentu yang disebut dengan weight. Struktur JST terdapat pada Gambar 1.

Gambar 1. Struktur Jaringan Saraf Tiruan

2.4 Fungsi Aktivasi

Fungsi aktivasi mempunyai kegunaan dalam menentukan hasil keluaran sebuah neuron. Metode ELM menggunakan fungsi aktivasi pada tahap traning dan testing, Penelitian ini memakai fungsi aktivasi sigmoid

biner, sin, dan, sigmoid bipolar dikarenakan

lebih mudah dalam perhitungan dan pada banyak penelitian selalu memberikan hasil yang sangat baik (Ismail, Othman, & Samsudin, 2019). Persamaan fungsi aktivasi yakni:

1. Sigmoid Biner 𝑓(𝑥) = 1 1+𝑒−𝑥 (1) 2. Sin 𝑓(𝑥) = sin (𝑥) (2) 3. Sigmoid Bipolar 𝑓(𝑥) =1−exp (−𝑥) 1+exp (−𝑥) (3)

2.5 Metode Extreme Learning Machine (ELM)

ELM dipopulerkan Guang-Bin Huang, metode ini memiliki arsitektur berupa Single

Layer Feedforward Networks (SLFNs) yakni

satu input layer, satu hidden layer, dan satu

output layer. ELM mempunyai kecepatan yang

lebih baik dalam learning dibanding algoritme lainnya dan menghasilkan generalisasi yang baik sehingga menghasilkan error cenderung kecil (Huang, Zhu, & Siew, 2004). Penetapan bobot maupun bias pada metode ELM dikerjakan secara secara acak dalam waktu bersamaan. Hal ini akan mempercepat proses pembelajaran dan akan membuat hasil prediksi.

2.5.1 Normalisasi Data

Metode yang dipakai yakni Min-Max

Normalization. Normalisasi terdapat pada

Persamaan 4. 𝑑′₌ 𝑑−𝑚𝑖𝑛 𝑚𝑎𝑥−𝑚𝑖𝑛 (4) Keterangan: d' = Hasil normalisasi. d = Nilai data.

min = Min data.

max = Max data. 2.5.2 Training Data

Proses training ELM (Cholissodin & Riyandani, 2018):

1. Inialisasi bobot dengan rentang [-0,5,0,5] serta bias dengan rentang [0,1] secara acak. 2. Perhitungan output hidden layer

menggunakan Persamaan 5.

𝐻𝑖𝑛𝑖𝑡 = 𝑋. 𝑊𝑇_{+ ones(𝑁}

𝑡𝑟𝑎𝑖𝑛, 1). 𝑏 (5)

Keterangan:

Hinit= Hasil perkalian dari matriks X dan

𝑊𝑇_.

X = Matriks data.

Wt = Matriks transposisi bobot. b = Matriks bias.

3. Perhitungan H menggunakan sigmoid biner dengan Persamaan 6. 𝐻 = 1 1+𝑒(−(𝐻𝑖𝑛𝑖𝑡)) (6) Keterangan: H = Matriks H. ∑ Activation _Function

Y

Input signal X1 X2 X3 Xn Weight Bias Output Sum

e = Biangan euler pembulatan bernilai 2,718.

Hinit= Hasil perkalian dari matriks X dan Wt.

4. Perhitungan Moore-Penrose pseudo inverse dengan Persamaan 7.

𝐻+_{= (𝐻(𝑥)}𝑇_{. 𝐻(𝑥))}−1_{. 𝐻}𝑇 ₍₇₎

Keterangan: 𝐻+= Hasil matriks.

(𝐻(𝑥)𝑇_{. 𝐻(𝑥))}−1_{= Matriks inverse} perkalian H dan H Transpose.

5. Perhitungan output weight dengan Persamaan 8.

𝛽 = 𝐻+_{. 𝑇 (8)}

Keterangan:

𝛽

=

Hasil output weight.

𝐻+= Matriks Moore-Penrose pseudo

inverse.

6. Perhitungan output layer menggunakan Persamaan 9.

𝑌 = 𝐻(𝑥). 𝛽 (9)

Keterangan: 𝑌

=

Hasil matriks. 𝐻

=

Output hidden layer.

𝛽

=

Output weight.

2.5.3 Testing Data

1. Bobot dan bias secara random yang diperoleh dari training.

2. Perhitungan matriks Hinit menggunakan

Persamaan 10.

𝐻𝑖𝑛𝑖𝑡 = 𝑋. 𝑊𝑇+ ones(𝑁𝑡𝑒𝑠𝑡, 1). 𝑏 (10)

Keterangan:

𝐻𝑖𝑛𝑖𝑡

=

Matriks hasil. 𝑋

=

Matriks data.

𝑊𝑡

=

Matriks transposisi bobot. 𝑏

=

Matriks bias.

3. Perhitungan matriks H menggunakan sigmoid biner dengan Persamaan 11.

𝐻 = 1

1+𝑒(−(𝐻𝑖𝑛𝑖𝑡)) (11)

Keterangan:

𝐻

=

Matriks H.

𝑒

=

Biangan euler pembulatan bernilai 2,718.

𝐻𝑖𝑛𝑖𝑡

=

Hasil perkalian dari matriks 𝑋 dan 𝑊𝑡.

4. Perhitungan matriks output layer dengan Persamaan 12, nilai output weight dari proses training.

𝑌 = 𝐻(𝑥). 𝛽 (12)

Keterangan:

𝑌

=

Hasil output layer. 𝐻

=

Matriks H.

𝛽

=

Matriks output weight. 2.6 Confusion Matrix

Confusion Matrix bertujuan menilai kinerja

metode klasifikasi biner ataupun multi kelas, dengan cara melakukan banding hasil klasifikasi sistem dengan hasil klasifikasi data asli (Murtopo, 2015). Pada penelitian menggunakan parameter sensitivity, specificity, dan accuracy. Tabel 1 merupakan tabel confusion.

Tabel 1 Confusion Matrix Kelas Aktual Kelas Prediksi Prediksi Positif Prediksi Negatif Aktual Positif True Positive (TP) False Negative (FN) Aktual Negatif False Positive (FP) True Negative (TN)

Istilah yang terdapat pada Tabel 1

untuk menghitung hasil klasifikasi adalah: 1. TP adalah data bersifat positif yang

diklasifikasikan benar.

2. TN adalah data bersifat negatif yang diklasifikasikan dengan benar.

3. FP adalah data bersifat negatif yang diklasifikasikan data positif.

4. FN adalah data bersifat positif akan tetapi diklasifikasikan menjadi data negatif.

Sensitivity adalah ratio dari nilai data positif

yang diklasifikasi benar dengan semua data benar positif. Perhitungan sensitivity

menggunakan Persamaan 13

.

𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = TP

TP+FN (13)

Specificity adalah ratio data negatif yang

diklasifikasikan benar dengan semua data negatif. Perhitungan specificity menggunakan Persamaan 14.

𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = TN

TN+FP (14)

mendapatkan hasil akurasi sistem dalam klasifikasi. Perhitungan accuracy menggunakan Persamaan 15.

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = TP+TN

TP+TN+FP+FN (15)

3. METODOLOGI PENELITIAN

Dalam penelitian ini memakai metode ELM untuk klasifikasi penyakit TB. Klasifikasi TB terdapat 2 kelas yakni kelas 1 adalah kelas positif penyakit TB dan kelas 2 adalah negatif penyakit TB. Metode ELM terdapat tahapan-tahapan yang harus diselesaikan secara urut. Dataset akan dinormalisasi, pada tahap training akan menghasilkan nilai output weight nantinya nilai tersebut dipakai dalam proses testing untuk menghasilkan nilai output layer. Selanjutnya setelah mengetahui hasil klasifikasi dilakukan proses perhitungan pengujian menggunakan

confusion matrix dengan parameter sensitivity, specificity, dan accuracy untuk menghitung

seberapa baik kerja sistem dalam melakukan proses klasifikasi. Gambar 2 diagram klasifikasi menggunakan metode ELM.

Gambar 2 Diagram Klafisikasi ELM Teknik pengumpulan data memakai wawancara dan melakukan observasi terhadap kasus TB di Puskesmas Dinoyo Kota Malang. Data yang dipakai yakni data primer yang langsung diolah dan diperoleh melalui Puskesmas Dinoyo Kota Malang. Data tersebut adalah data penyakit TB tahun 2018-2019 Puskesmas Dinoyo sebanyak 100 data dengan 24 fitur dan terdapat 2 kelas yakni kelas 1 merupakan pasien positif penyakit TB dan kelas 2 merupakan pasien negatif terhadap penyakit TB. Data TB diolah untuk proses klasifikasi dan dilakukan proses pembagian data yang terbagi menjadi data training dan data testing.

4. PENGUJIAN DAN ANALISIS

Penelitian klasifikasi penyakit Tuberkulosis (TB) menggunakan metode Extreme Learning

Machine (ELM) menggunakan beberapa

pengujian untuk mendapatkan parameter optimal. Dengan parameter optimal maka penelitian akan memperoleh hasil yang bagus pada sistem. Penelitian ini menggunakan 3 macam pengujian. Pengujian tersebut adalah pengujian jumlah hidden neuron, pemakaian fungsi aktivasi, serta pengaruh jumlah data

training dengan data testing. Data yang

digunakan mempunyai 2 kelas yakni kelas 1 dan kelas 2. Pada kelas 1 merupakan pasien positif penyakit TB dan pada kelas 2 merupakan pasien negatif terhadap penyakit TB. Tiap pengujian terdapat proses perhitungan sensitivy, specificity, dan accuracy.

4.1 Pengujian Pengaruh Jumlah Hidden

Neuron

Tujuan pengujian ini untuk melihat pengaruh dari banyak jumlah hidden neuron pada hasil klasifikasi dan tingkat akurasi. Persentase data training dan data testing yang digunakan 70%:30% yakni 70 data training dan 30 data testing, dengan aktivasi sigmoid biner. Pengujian hidden neuron dilakukan pada jumlah 2-20, 80, dan 100. Setiap hidden neuron dilakukan 5 kali pengujian. Hasil pengujian berbeda-beda dikarena pada tiap pengujian data yang diolah akan dilakukan random, nilai bobot dan bias juga diinisialisasi dengan random. Gambar 3 merupakan grafik hasil pengujian pengaruh jumlah hidden neuron.

Gambar 3 Grafik Pengujian Pengaruh Jumlah

Hidden Neuron

Nilai dari rata-rata pengujian jumlah hidden

neuron yang paling baik pada Gambar 3 adalah

adalah pada jumlah hidden neuron sebanyak 20 dengan hasil rata-rata sensitivity 1,00, specificity 0,98, dan accuracy 99,33%. Pada hidden neuron 2 sampai 20 menghasilkan nilai sensitivity,

specificity, dan accuracy semakin meningkat.

Peningkatan terjadi signifikan hal ini menunjukkan bahwa kelas 1 maupun kelas 2 pada data TB terklasifikasi dengan baik dan

Normalisasi Testing Perhitungan Evaluasi Output weight Training

Output layer Hasil Klasifikasi Dataset Hasil Pengujian

benar. Semakin banyak jumlah hidden neuron juga mempengaruhi besar matriks terhadap ruang fitur dalam melakukan proses learning. Akan tetapi pada jumlah hidden neuron 80 dan 100 nilai sensitivity, specificity, dan accuracy mengalami penurunan drastis. Hal ini disebabkan dengan menggunakan hidden neuron terlalu banyak akan membuat proses kurang optimal. Jumlah hidden neuron yang baik dan menghasilkan nilai akurasi tinggi terdapat pada rentang 20-60 (Xiao, Li, & Mao, 2017).

4.2 Pengujian Fungsi Aktivasi

Pengujian ini dilakukan menggunakan fungsi aktivasi Sigmoid Biner, Sin, dan Sigmoid

Bipolar bertujuan mengetahui fungsi aktivasi

yang paling baik terhadap kasus klasifikasi penyakit TB. Pengujian ini menggunakan hidden neuron 20, dan rentang data training dan data testing sebesar 70%:30% yakni 70 data training dan 30 data testing. Pengujian dilakukan sebanyak 5 kali pada setiap fungsi aktivasi. Gambar 4 merupakan grafik hasil pengujian fungsi aktivasi.

Gambar 4 Grafik Pengujian Fungsi Aktivasi Berdasarkan Gambar 4 nilai rata-rata pengujian fungsi aktivasi terbaik terhadap metode ELM adalah pada fungsi aktivasi

sigmoid biner. Dengan hasil sensitivity 0,99, specificity 0,95, dan accuracy 98,67. Nilai

pengujian yang dihasilkan sigmoid biner lebih tinggi dibandingkan dengan fungsi aktivasi sin maupun sigmoid bipolar, hal ini dikarenakan

sigmoid biner mampu mengontrol dan mengolah input signal dengan baik. Dari Gambar 4, ketiga

fungsi aktivasi tersebut menghasilkan accuracy yang baik hal ini dapat disimpulkan bahwa fungsi aktivasi sigmoid biner, sin, dan sigmoid

bipolar cocok memecahkan permasalahan

klasifikasi TB menggunakan ELM.

4.3 Pengujian Pengaruh Jumlah Data

Training dan Data Testing

Pengujian ini menggunakan metode holdout dengan melakukan pembagian data training dan data testing menggunakan 20%:80% hingga 90%:10%. Digunakan metode holdout

dikarenakan jumlah data yang kurang memadai yang hanya berjumlah 100 dan holdout lebih mudah dalam penerapan. Pengujian pengaruh data training dengan data testing bertujuan untuk mengetahui bagaimana pengaruh rentang data

training dan data testing terhadap hasil nilai

akurasi. Pengujian ini menggunakan jumlah

hidden neuron sebanyak 20 dan fungsi aktivasi sigmoid biner, tiap rentang dilakukan 5 kali

pengujian. Gambar 5 merupakan grafik hasil pengujian pengaruh jumlah Data training dan Data testing.

Gambar 5 Grafik Pengujian Pengaruh Jumlah Data Training dan Data Testing

Nilai dari rata-rata pengujian pengaruh jumlah data training dan data testing yang terbaik dari Gambar 5 adalah pada persentase 70% data training dan 30% data testing dengan menghasilkan nilai sensitivity 0,99, specificity 1,00, dan accuracy 99,33. Pada persentase 20%:80% sampai 60%:40% menghasilkan nilai

sensitivity, specificity, dan accuracy semakin

meningkat. Pada persentase 70%:30% sampai 90%:10% mengalami hanya sedikit penurunan pada sensitivity, specificity, dan accuracy. Hal ini menunjukkan bahwa data yang digunakan dapat mengikuti pola data dan menghasilkan akurasi yang tinggi.

5. PENUTUP 5.1 Kesimpulan

Parameter optimal pada klasifikasi penyakit Tuberkulosis (TB) dengan metode Extreme

Learning Machine (ELM) berdasarkan

jumlah hidden neuron 20 yang menghasilkan rata-rata akurasi tertinggi 99,33%, fungsi aktivasi yang menghasilkan rata-rata akurasi tertinggi adalah fungsi aktivasi sigmoid biner dengan hasil akurasi 98,67%, dan pengaruh jumlah data training dan data testing yang menghasilkan rata-rata akurasi tertinggi pada persentase 70%:30% dengan rata-rata akurasi tertinggi 99,33%.

Metode Extreme Learning Machine (ELM) untuk klasifikasi Tuberkulosis (TB) menghasilkan akurasi 99,33%, sensitivity 0,99, dan specificity 1,00 dengan menggunakan parameter optimal pada pengujian yang sudah diperoleh. Jumlah hidden neuron optimal adalah 20, fungsi aktivasi sigmoid biner merupakan fungsi optimal pada penelitian ini, dan persentase data training dan data testing optimal sebesar 70%:30%.

5.2 Saran

Pada data penyakit Tuberkulosis (TB) tahun 2018-2019 yang didapatkan dari Puskesmas Dinoyo Kota Malang mempunyai data yang tidak seimbang. Jumlah data Kelas 1 atau kelas positif Tuberkulosis (TB) adalah 78, sedangkan jumlah data Kelas 2 atau kelas negatif Tuberkulosis (TB) adalah 22. Disarankan untuk penelitian berikutnya menggunakan data yang seimbang antara Kelas 1 maupun Kelas 2 dengan cara mengambil data melalui beberapa puskesmas yang ada. Kasus klasifikasi dapat memakai metode Boosting Weighted Extreme

learning Machine pada penelitian dengan jumlah

data yang tidak seimbang. 6. DAFTAR PUSTAKA

Ariestyani, M. C., Adikara, P. P., & Perdana, R. S. (2018). Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine ( ELM ). Jurnal Pengembangan Teknologi

Informasi Dan Ilmu Komputer (JPTIIK) Universitas Brawijaya.

Cholissodin, I., & Riyandani, E. (2018). Analisis

Big Data (Teori & Aplikasi). Malang:

FILKOM.

Depinta, L., & Abdullah, Z. (2017). Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Deteksi Penyakit Tuberculosis (TB) Paru dari Citra Rontgen. Jurnal Fisika Unand, 61-66. Haykin, S. (2009). Neural Networks and

Learning Machines. Hamilton: Pearson.

Hidayat, R., & Suprapto, S. (2016). Meminimalisasi Nilai Error Peramalan dengan Algoritma Extreme Learning Machine. Jurnal Optimasi Sistem Industri.

https://doi.org/10.25077/josi.v11.n1.p187 -192.2012

Huang, G. B., Zhu, Q. Y., & Siew, C. K. (2004). Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks. IJCNN.

Ismail, N., Othman, Z. A., & Samsudin, N. A. (2019). Regularization Activation Function for Extreme Learning Machine.

(IJACSA) International Journal of

Advanced Computer Science and

Applications, 240-247.

Ivan Fadilla, Putra Pandu Adikara, R. S. P. (2018). Klasifikasi Penyakit Chronic Kidney Disease ( CKD ) Dengan Menggunakan Metode Extreme Learning Machine ( ELM ). Jurnal Pengembangan

Teknologi Informasi Dan Ilmu Komputer.

Kementrian Kesehatan Republik Indonesia. (2018). InfoDatin. Jakarta Selatan: Pusat Data dan Informasi.

Murtopo, A. A. (2015). Prediksi Kelulusan Tepat Waktu Mahasiswa STMIK. CSRID

Journal, 145-153.

Ruslim, K. I., Adikara, P. P., & Indriati. (2019, Juli). Analisis Sentimen Pada Ulasan Aplikasi Mobile Banking Menggunakan Metode Support Vector Machine dan Lexicon Based Features. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, III(7), 6694-6702.

Sutriyanto, E. (2015). Tribun News. Retrieved July 27, 2019, from https://www.tribunnews.com/kesehatan/2 015/04/25/38-juta-orang-meninggal-tiap- tahun-akibat-stres-dan-gaya-hidup-tak-sehat

World Health Organization. (2020). World Healt

Organization. Retrieved April 13, 2020,

from https://www.who.int/news-room/fact-sheets/detail/tuberculosis Xiao, D., Li, B., & Mao, Y. (2017). A Multiple

Hidden Layers Extreme Learning Machine Method and Its Application.