Prediksi Penderita Tuberkulosis Dengan Algoritma Long Short-Term Memory
Abstract
Abstrak— Tuberkulosis (TB) merupakan penyakit menular yang disebabkan oleh kuman Mycobacterium tuberculosis, meskipun dapat menyerang organ apapun didalam tubuh. Ketika bakteri masuk melalu droplet di udara. Pada tahun 2015 terdapat 2.617 kasus tuberkulosis di Kabupaten Karawang. Kurangnya pengetahuan terhadap gejala penyakit dan sosialiasi terhadap pemerikasaan tuberculosis secara dini merupakan faktor utama penyebab tingginya jumlah kasus penderita TB. Oleh karena itu perlu adanya sebuah sistem prediksi jumlah penderita tuberculosis untuk memprediksi jumlah penderita dimasa yang akan datang. Dalam Penelitian ini menggunakan metode Long Short-Term Memory. (LSTM). LSTM merupakan evolusi dari algoritma Recurrent Neural Network (RNN) untuk mengatasi permasalahan pada RNN dalam mengelola data untuk periode yang lama. LSTM dianggap lebih unggul dibandingakan algoritma lainnya dalam mengelola data yang bersifat time series. Data yang penulis gunakan berasal dari Dinas Kesehatan Kabupaten Karawang dari tanggal 1 Januari 2020 hingga 31 Desember 2021. Berdasarkan Hasil Pengujian diketahui bahwa algoritma LSTM dengan partisi data 70%:30%, epoch sebesar 900, jumlah hidden layer sebanyak 1 layer LSTM dengan 64 neuron serta tipe optimasi Adam dengan learning rate sebesar 0.001. selain itu, hasil pengujian parameter terbaik menghasilkan nilai RMSE = 0.12019341, MAE = 0.0819 Dan R2 = 0.53508423.
Kata kunci— tuberkulosis, prediksi, long short-term memory
References
Kementerian Kesehatan RI. 2018. Infodatin Tuberkulosis. Jakarta
World Health Organization Global Tuberculosis Report ,2020.
Dinas Kesehatan Kabupaten Karawang, Profil Kesehatan Kabupaten Karawang Tahun 2018. Karawang: Dinas Kesehatan Kabupaten Karawang, 2019.
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735– 1780, 1997.
P. Sugiartawan, A. A. Jiwa Permana, and P. I. Prakoso, “Forecasting Kunjungan Wisatawan Dengan Long Short-Term Memory (LSTM),” J. Sist. Inf. dan Komput. Terap. Indones., vol. 1, no. 1, pp. 43–52, 2018.
J. Schmidhuber, “Deep Learning in neural networks: An overview,” Neural Networks, vol. 61, pp. 85–117, 2015, doi: 10.1016/j.neunet.2014.09.003.
Kementrian RI Direktorat Jendral Pengedalian Penyakit dan Penyehatan Lingkungan (2014) Pedoman Nasional Pengendalian Tuberkulosis. Jakarta: Kementrian Kesehatan RI.
Danukusumo, Kefin Pudi. 2017. “Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis GPU”.
]. R. Vinayakumar, K. P. Soman, and P. Poornachandran, “Long short-term memory based operation log anomaly detection,” 2017 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2017, vol. 2017-Janua, pp. 236–242, 2017.
G. Mathisen, “Forecasting Multivariate Time Series Data Using Neural Networks Sigurd Øyen,” no. June, 2018.
S. Chaudhury and T. Yamasaki, “Robustness of Adaptive Neural Network Optimization Under Training Noise,” IEEE Access, vol. 9, pp. 37039–37053, 2021.
Hahn, P. (2019). Artificial intelligence and machine learning. Handchirurgie Mikrochirurgie Plastische Chirurgie, 51(1), 62–67. https://doi.org/10.1055/a-0826-4789
Mitchell, Tom A. Machine Learning. McGraw-Hill.1997
Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
Manik, H. B. (2021). Penerapan Algoritma C4 . 5 Dalam Memprediksi Kebutuhan Pembibitan Pohon. 1(1):14–19.
Jo, J.-M. (2019). Effectiveness of Normalization Pre-Processing of Big Data to the Machine Learning Performance. 14:547–552.
Syilfi, D. Ispriyanti, and D. Safitri, “Analisis Regresi Linier Piecewise Dua Segmen,” vol. 1, 2012.
Arief, M.Rudyanto., 2011, Pemrograman Web Dinamis Menggunakan PHP dan MYSQL, Andi, Yogyakarta.
Nasution, Metode Research, (Jakarta: Bumi Aksara, 2011), hal. 74.
F. Yusup, "Uji Validitas dan Reliabilitas Instrumen Penelitian Kuantitatif," Jurnal Tarbiyah : Jurnal Ilmiah Kependidikan, vol. 7, no. 1, 2018.
R. Kuloningtyas. A. B. Suksmono, T. L. R. Mengko, G. A. P. Saptawati. "Scg mentasi Citra Berwarna dengan Menggunakan Metode Clustering Berbasis Patch untuk Identifikasi Mycobacterium Tuberculosis" Prosiding Jurnal BIO SAINS, Vol. 17, No. 1, 2014.
