KLASIFIKASI KELANGSUNGAN HIDUP PENDERITA
GAGAL JANTUNG MENGGUNAKAN EXTREME LEARNING
MACHINE (ELM)
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom)
Bayu Tirta Sartama
00000009853
PROGRAM STUDI INFORMATIKA
FAKULTAS TEKNIK DAN INFORMATIKA
UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2021
ii
LEMBAR PENGESAHAN SKRIPSI
KLASIFIKASI KELANGSUNGAN HIDUP PENDERITA GAGAL JANTUNG MENGGUNAKAN EXTREME LEARNING MACHINE (ELM)
Oleh
Nama : Bayu Tirta Sartama
NIM : 00000009853
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Tangerang, 6 April 2021 Ketua Sidang
Adhi Kusnadi, S.T, M.Si.
Dosen Penguji
Seng Hansun, M.Cs S.Si.
Dosen Pembimbing
Yaman Khaeruzzaman, M.Sc.
Mengetahui,
Ketua Program Studi Informatika
Marlinda Vasty Overbeek, S.Kom., M.Kom Digitally signed by Marlinda Vasty Overbeek
Date: 2021.04.16 11:23:09 +07'00'
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:
Nama : Bayu Tirta Sartama
NIM : 00000009853
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Menyatakan bahwa Skripsi yang berjudul “Klasifikasi Kelangsungan Hidup Penderita Gagal Jantung menggunakan Extreme Learning Machine (ELM)” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lainyang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan/peyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima kosekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Tangerang, 25 Maret 2021
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan dibawah ini:
Nama : Bayu Tirta Sartama
NIM : 00000009853
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royalti Non-ekslusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
Klasifikasi Kelangsungan Hidup Penderita Gagal Jantung menggunakan
Extreme Learning Machine (ELM) beserta perangkat yang diperlukan.
Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 25 Maret 2021
v
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa atas rahmat dan karunia-Nya sehingga penulis dapat mengerjakan dan menyelesaikan laporan skripsi dengan baik. Penulis juga mengucapkan banyak terima kasih kepada :
1. Bapak Dr. Ninok Leksono, Rektor Universitas Multimedia Nusantara, yang memberi inspirasi bagi penulis untuk berprestasi,
2. Bapak Dr. Eng. Niki Prastomo, S.T., M.Sc. Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara,
3. Ibu Marlinda Vasty Overbeek, S.Kom., M.Kom, Ketua Program Studi Informatika Universitas Multimedia,
4. Bapak Yaman Khaeruzzaman, M.Sc., yang membimbing pembuatan skripsi dan memberikan arahan dalam tata cara penulisan karya ilmiah dengan benar dan sabar,
5. Ayah dan ibu, serta keluarga besar yang telah memberikan dukungan moral dan spiritual selama proses penulisan skripsi.
Semoga laporan skripsi ini dapat bermanfaat, baik sebagai sumber informasi maupun inspirasi bagi para pembaca.
Tangerang, 25 Maret 2021
vi
HALAMAN PERSEMBAHAN/MOTO
“If you love life, don't
waste time, for time is what
life is made up of..”
vii
KLASIFIKASI KELANGSUNGAN HIDUP PENDERITA GAGAL JANTUNG MENGGUNAKAN EXTREME LEARNING MACHINE (ELM)
ABSTRAK
Gagal jantung merupakan salah satu jenis penyakit kronis kardiovaskuler yang menjadi penyebab kematian tertinggi setiap tahunnya. Penyakit ini menyebabkan jantung tidak dapat memompa darah. Klasifikasi penyakit gagal jantung menjadi prioritas paramedis dan dokter, karena data pasien dapat digunakan untuk menentukan penanganan yang tepat bagi pasien. Salah satu teknik klasifikasi yang dapat digunakan adalah Extreme Learning Machine (ELM). Teknik ini dapat memberikan hasil yang maksimal dengan waktu komputasi yang cepat. Data yang digunakan sejumlah 299 data pasien. Proses klasifikasi dimulai dengan melakukan normalisasi, kemudian melatih data latih menggunakan ELM yang menghasilkan model yang dapat digunakan untuk proses klasifikasi. Berdasarkan pengujian yang dilakukan, model yang dihasilkan mendapatkan nilai akurasi tertinggi yaitu 83,3% pada rasio data latih dan data uji sebesar 90:10 menggunakan jumlah hidden neuron = 16.
Kata Kunci: Extreme Learning Machine, gagal jantung, klasifikasi, machine learning, penyakit.
viii
CLASSIFICATION OF SURVIVAL PATIENTS WITH HEART FAILURE USING EXTREME LEARNING MACHINE (ELM)
ABSTRACT
Heart failure is a type of chronic cardiovascular disease which is the leading cause of death every year. This disease causes the heart could not pump blood. Classification of heart failure become priority for paramedics and doctors, because patient’s data can be used to determine the right treatment for patients. One of the classification techniques that can be used is the Extreme Learning Machine (ELM). This technique can provide maximum results with fast computation time. The data used were 299 patient’s data. The classification process begins with normalizing, then training the training data using ELM which produces a model that can be used for the classification process. Based on the tests carried out, the ELM model gets 83,3% as the highest accuracy using ratio 90:10 of training data and test data and hidden neurons = 16.
Keywords: classification, disease, Extreme Learning Machine, heart failure, machine learning.
ix DAFTAR ISI
LEMBAR PENGESAHAN SKRIPSI ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
DAFTAR LAMPIRAN ... xiii
BAB I PENDAHULUAN ... 14 1.1 Latar Belakang ... 14 1.2 Rumusan Masalah ... 16 1.3 Batasan Masalah ... 16 1.4 Tujuan Penelitian ... 17 1.5 Manfaat Penelitian ... 17
BAB II LANDASAN TEORI ... 19
2.1 Penyakit Gagal Jantung ... 19
2.2 Extreme Learning Machine (ELM) ... 21
2.3 Fungsi Aktivasi Sigmoid ... 24
2.4 Normalisasi Minmax ... 25
2.5 Evaluasi Klasifikasi ... 25
2.6 K-Fold Cross Validation ... 27
BAB III METODOLOGI PENELITIAN DAN PERANCANGAN ... 28
3.1 Metodologi Penelitian ... 28
3.2 Perancangan Algoritma ... 29
3.2.1 Flowchart ... 30
3.2.2 Manualisasi ... 35
x
4.1 Spesifikasi Sistem ... 43
4.2 Implementasi Algoritma ... 43
4.2.1 Implementasi Normalisasi Minmax ... 44
4.2.2 Implementasi Sigmoid Biner... 45
4.2.3 Implementasi Training ELM ... 45
4.2.4 Implementasi Testing ELM ... 46
4.2.5 Implementasi Confusion Matrix ... 46
4.2.6 Implementasi K-Fold Cross Validation ... 47
4.3 Pengujian Algoritma ... 48
4.3.1 Pengujian Jumlah Neuron ... 48
4.3.2 Pengujian Data Seimbang ... 52
4.3.3 Analisis Hasil Pengujian ... 53
BAB V SIMPULAN DAN SARAN ... 54
5.1 Simpulan ... 54
5.2 Saran ... 54
DAFTAR PUSTAKA ... 56
xi
DAFTAR GAMBAR
Gambar 2.1 Struktur Extreme Learning Machine (ELM) (Srimuang &
Intarasothonchun, 2015) ... 22
Gambar 2.2 Ilustrasi K-Fold Cross Validation (Peryanto, et al., 2020) ... 27
Gambar 3.1 Flowchart Alur Algoritma ... 30
Gambar 3.2 Flowchart Normalisasi Minmax ... 31
Gambar 3.3 Flowchart Training ELM ... 32
Gambar 3.4 Flowchart Fungsi Aktivasi Sigmoid ... 33
Gambar 3.5 Flowchart Testing ELM ... 34
Gambar 3.6 Ilustrasi Neural Network proses Training ELM ... 39
Gambar 3.7 Ilustrasi Neural Network proses Testing ELM ... 41
Gambar 4.1 Implementasi Normalisasi Minmax ... 44
Gambar 4.2 Implementasi Sigmoid Biner ... 45
Gambar 4.3 Implementasi Training ELM ... 46
Gambar 4.4 Implementasi Testing ELM ... 46
Gambar 4.5 Implementasi Confusion Matrix ... 47
Gambar 4.6 Implementasi K-Fold Cross Validation ... 48
Gambar 4.7 Grafik akurasi rata-rata fold ... 51
xii
DAFTAR TABEL
Tabel 2.1 Confusion Matrix ... 26
Tabel 3.1 Data Sampel Manualisasi ... 35
Tabel 3.2 Hasil normalisasi data sampel ... 36
Tabel 3.3 Matriks bobot hidden layer ... 37
Tabel 3.4 Matriks Bias ... 37
Tabel 3.5 Matriks Target ... 37
Tabel 3.6 Matriks H ELM training ... 38
Tabel 3.7 Matriks Moore Penrose ELM training ... 38
Tabel 3.8 Matriks output ELM training ... 39
Tabel 3.9 Matriks H ELM testing ... 40
Tabel 3.10 Matriks Moore Penrose ELM testing ... 40
Tabel 3.11 Matriks Y ELM testing ... 41
Tabel 4.1 Hasil akurasi fold ke – 1 ... 49
Tabel 4.2 Hasil akurasi fold ke – 2 ... 49
Tabel 4.3 Hasil akurasi fold ke – 3 ... 50
Tabel 4.4 Hasil akurasi fold ke – 4 ... 50
Tabel 4.5 Hasil akurasi fold ke – 5 ... 51
Tabel 4.6 Hasil akurasi rata-rata seluruh fold ... 51
xiii
DAFTAR LAMPIRAN
1. Lampiran 1 – L1. Form Bimbingan Skripsi 2. Lampiran 2 – L2. Riwayat Hidup.
3. Lampiran 3 – L3. Data Skripsi.
4. Lampiran 4 – L4. Data Pengujian K-Fold. 5. Lampiran 5 – L5. Data Pengujian Seimbang.