ArticlePDF Available

Klasifikasi Penyakit Chronic Kidney Disease (CKD) Dengan Menggunakan Metode Extreme Learning Machine (ELM)

Authors:

Abstract

Abstrak Ginjal merupakan organ penting yang berfungsi untuk menjaga komposisi darah dengan mencegah menumpuknya limbah dan mengendalikan keseimbangan cairan di dalam tubuh. Chronic Kidney Disease (CKD) merupakan salah satu penyakit pada ginjal yang disebabkan oleh infeksi pada ginjal dan juga penyumbatan yang disebabkan oleh batu ginjal. Dalam kasus ini tenaga medis maupun pakar masih belum maksimal di dalam mengklasifikasikan penyakit CKD, penulis menerapkan metode Extreme Learning Machine (ELM) pada persoalan klasifikasi penyakit CKD. ELM adalah salah satu metode klasifikasi jaringan saraf tiruan yang memiliki learning speed yang cepat dan berdasarkan penelitian sebelumnya memiliki nilai akurasi yang baik dibandingkan dengan metode yang ada dalam jaringan saraf tiruan. Pada penelitian ini didapatkan perbandingan data latih dan data uji yang optimal dengan rasio 70:30 dan jumlah hidden neuron sebanyak 50 hidden neuron menghasilkan nilai akurasi sebesar 96,7%. Dapat disimpulkan bahwa metode Extreme Learning Machine (ELM) cukup baik diimplementasikan untuk proses klasifikasi penyakit Chronic Kidney Disease (CKD). Abstract Kidneys are important organs that are focussed on maintaining blood composition by preventing accumulation of waste and controlling fluid balance in the body. Chronic Kidney Disease (CKD) is one of the diseases of the kidneys caused by infection in the kidney and also the blockage caused by kidney stones. In this case medical personnel and experts are still not maximized in classifying CKD disease, the authors apply the method of Extreme Learning Machine (ELM) on the problem of classification of CKD disease. ELM is one method of artificial neural network classification that has a fast learning speed and based on previous research has a good accuracy value compared with existing methods in artificial neural networks. In this research got comparison of data of train and optimal test data with ratio 70:30 and amount of hidden neuron counted 50 hidden neuron accuracy value equal to 96,7%. It can be concluded that the method of Extreme Learning Machine (ELM) is quite well implemented for the classification process of Chronic Kidney Disease (CKD) disease.
A preview of the PDF is not available
... Organ ginjal dapat mengalami penurunan fungsi kinerja ataupun tidak dapat lagi bekerja sama sekali untuk menyaring pembuangan elektrolit tubuh, menjaga keseimbangan cairan dan zat kimia tubuh seperti kalium dan natrium pada darah ataupun dapat mengalami ketidaknormalan produksi urin. Pada saat fungsi ginjal menurun dapat diartikan sebagai kerusakan yang terjadi pada ginjal [1]. ...
... Penderita seringkali tidak merasakan gejala yang begitu terasa pada awal menderita penyakit ini. Sehingga penderita baru dapat terdiagnosa penyakit ginjal kronis ketika melakukan tes darah dengan indikasi-indikasi penyakit ginjal kronis yang lebih terlihat [1]. ...
... Tujuan tersebut dapat dicapai jika pada proses klasifikasi dapat membuat sebuah model yang dapat memperlihatkan beda dari data ke dalam kelas-kelas berbeda berdasarkan fungsi ataupun aturan tertentu. K-Nearest Neighbor merupakan salah satu algoritma yang dapat digunakan untuk melakukan klasifikasi [1]. K-Nearest Neighbor (KNN) merupakan salah satu dari berbagai metode dalam proses klasifikasi suatu objek yang didasari pada informasi data yang mempunyai jarak sangat dekat dengan suatu objek tertentu. ...
Article
Ginjal adalah salah satu organ tubuh paling penting yang berfungsi untuk menjaga kandungan yang ada pada darah dengan cara mencegah penumpukan limbah dan mengendalikan keseimbangan cairan yang ada di dalam tubuh. Penyakit ginjal adalah kelainan penyakit yang menyerang organ ginjal yang disebabkan karena berbagai faktor, misalnya pola hidup yang tidak sehat, bertambahnya usia, ataupun karena faktor turunan. Penelitian ini bertujuan untuk mengklasifikasi resiko penyakit Gagal Ginjal Kronis Metode yang dapat digunakan untuk mendeteksi PGK salah satu nya adalah metode K-Nearest Neighbor (KNN). Metode K-Nearest Neighbor (KNN) ini dapat mengklasifikasikan suatu data yang telah ada ke dalam beberapa kelas. Algoritma K-Nearest Neighbor (KNN) ini ialah algoritma yang dapat menentukan nilai suatu jarak yang berada pada pengujian data testing dengan data training berdasarkan nilai terkecil dari nilai ketetanggaan terdekat. Penelitian ini diharapkan memberikan kontribusi di bidang kesehatan dan di bidang informatika dalam mengklasifikasi penyakit Gagal Ginjal Kronis. Berapa akurasi yang dapat diperoleh dari klasifikasi K-Nearest Neighbor (KNN) dalam menentukan gejala dan resiko penyakit Gagal Ginjal Kronis. penelitian ini dibuat menggunakan algoritma K-Nearest Neighbor. Dalam penelitian ini menggunakan 75% dari data latih dan 25% dari data uji yang digunakan. Hasil klasifikasi penyakit ginjal kronis menunjukkan bahwa sistem berhasil melakukan klasifikasi dengan nilai akurasi mencapai 92,59%, 89,85% untuk nilai presisi, 87,32% untuk nilai recall dan f1-score mencapai nilai 88,57%.
... Ginjal merupakan organ yang membantu menjaga kestabilan dalam tubuh dengan cara menyeimbangkan hasil metabolisme, cairan tubuh dan keseimbangan elektrolit [1]. Selain itu ginjal juga berfungsi memproduksi hormone enzim dalam membantu mengendalikan tekanan darah, menjaga susunan tulang menjadi lebih kuat serta memproduksi sel darah merah [2]. Penyakit ginjal kronis atau Chronic Kidney Disease (CKD) adalah bentuk gangguan pada ginjal yang mengakibatkan ginjal tidak dapat melakukan fungsinya dengan baik karena turunnya kinerja organ ginjal [3]. ...
... Seiring pesatnya laju pertumbuhan penduduk maka semakin bertambah jumlah penyakit CKD. Menurut Global Burden of Disease, dikatakan bahwa penyakit CKD menempati rangking ke-27 pada tahun 1990 dan rangking ke-18 pada tahun 2010 [2]. Menurut Kementerian Kesehatan RI, 2 dari setiap 1.000 orang Indonesia atau 499.800 orang menderita penyakit ginjal kronis pada tahun 2013. ...
... Dimana data mining merupakan suatu metode yang digunakan untuk menemukan pola dari data yang digunakan untuk mencari solusi dari suatu masalah berdasarkan berbagai aturan proses [5]. Definisi dari klasifikasi adalah porses pencarian kelompok berdasarkan pada suatu dataset [2]. Algoritma C4.5 merupakan algoritma machine learning yang dapat digunakan dalam melakukan klasifikasi data. ...
Article
Penyakit ginjal kronis atau Chronic Kidney Disease (CKD) adalah gangguan pada ginjal yang mengakibatkan ginjal tidak dapat melakukan fungsinya dengan baik karena turunnya kinerja organ ginjal. Klasifikasi adalah teknik data mining yang dapat digunakan dalam mendiagnosis penyakit ginjal kronis. Pada penelitian ini, klasifikasi dilakukan dengan menggunakan algoritma C4.5. K-Means Clustering digunakan untuk mendiskritisasi data bertipe numerik. Binary Particle Swarm Optimization (BPSO) berfungsi untuk menseleksi subset fitur yang berlebihan dan kurang informatif pada dataset atau yang disebut dengan seleksi fitur. Pengujian dilakukan dengan menggunakan metode 10-fold cross validation pada dataset Chronic Kidney Disease (CKD) yang didapat dari UCI Machine Learning Repository. Hasil pengujian pada penelitian ini didapatkan bahwa penerapan seleksi fitur dengan BPSO mampu meningkat kinerja klasifikasi C4.5 dengan nilai accuracy, precision, recall dan f-measure berturut-turut yaitu 96%, 96,869%, 96,8% dan 96,781% serta waktu komputasi yang didapatkan yaitu 62,56 ms. Sedangkan pada pengujian parameter BPSO, didapatkan nilai parameter terbaik dengan jumlah partikel adalah 15, jumlah iterasi adalah 40, nilai c1 adalah 1 dan c2 adalah 1,2 serta nilai bobot inersia (w) adalah 0,9.
... K-Means clustering ialah salah satu metode cluster analysis non hirarki yang mempartisi objek yang ada kedalam satu atau lebih cluster atau kelompok objek berdasarkan karakteristiknya [9], K-Medoids memiliki kelebihan pada prediksi non-linear, kuat di parallel processing dan kemampuan untuk mentoleransi kesalahan, tapi memiliki kelemahan pada perlunya data training yang besar, overfitting, lambatnya konvergensi, dan sifatnya yang local optimum [4] SOM punya kelebihan ditingginya akurasi prediksi meskipun menggunakan data yang sedikit, akan tetapi SOM memiliki kelemahan pada prediksi data yang sifatnya naik turun secara fluktuatif seperti pada data UMKM [8]. ...
... Particle Swarm Optimization (PSO) adalah metode optimisasi yang terbukti efektif digunakan untuk memecahkan masalah optimisasi multidimensi dan multiparameter pada pembelajaran pada machine learning seperti di NN, SVM, dan classifier lain [8]. ...
Article
Full-text available
The existence of abundant UMKM data sources can be used to dig up information. Classification is one of the techniques to explore hidden data owned by data mining. Data mining classification methods, one of which is the Support Vector Machine (SVM) algorithm. The SVM algorithm has proven better results than the KKN, Decision Tree and Linear Regression algorithms. In the classification process, the accuracy and time efficiency results obtained are very important. So optimization is needed in order to increase accuracy and time efficiency during the classification process. The optimization of the SVM algorithm was carried out using the K-Means algorithm for the clustering and continuous process on UMKM data and the feature selection process using Particle Swarm Optimization (PSO). This paper aims to optimize the accuracy of the data in the form of type of business, business and turnover. From the results of the discussion of the SVM method using K-Means and PSO, it gives an average accuracy of 55% but 0.12% lower than SVM just using PSO. Keywords: UMKM, Clustering, K-Means, SVM, PSO
... Tahapan ini dilakukan untuk mengetahui proporsi pembagian data yang menghasilkan performa terbaik pada klasifikasi menggunakan data yang telah dimputasi. Pemilihan rasio tersebut didasarkan dari penelitian oleh Fadilla et al (2018) yang menggunakan rasio serupa, yang mana perubahan jumlah rasio pada data latih dan data uji tersebut memberikan pengaruh pada hasil akurasi dari klasifikasi. Pada penelitian ini, rasio pembagian data H a l a m a n | 473 yang menghasilkan akurasi tertinggi digunakan untuk skenario percobaan berikutnya. ...
Article
Full-text available
Berdasarkan analisis data GLOBOCAN pada tahun 2020, kanker hati primer dinyatakan menduduki peringkat ke-6 sebagai kanker yang paling banyak didiagnosis dan peringkat ke-3 sebagai penyebab kematian akibat kanker utama di dunia. Mayoritas kanker hati primer muncul dari sel-sel hati dan disebut Karsinoma Hepatoseluler (KHS). Salah satu upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan mengklasifikasikan kelangsungan hidup pasien KHS. Pada penelitian ini dilakukan perbandingan antara MissForest dan K-Nearest Neighbors Imputation (KNNI) untuk mengetahui metode imputasi mana yang menghasilkan kinerja terbaik pada klasifikasi untuk memprediksi kelangsungan hidup pasien KHS. Hasil menunjukkan bahwa KNNI lebih unggul dibandingkan MissForest pada klasifikasi menggunakan Extreme Learning Machine, dengan nilai akurasi rata-rata sebesar 92,941% dan rata-rata AUC sebesar 0,9758.
... In the medical field, there are two types of kidney failure, namely Chronic and Acute Kidney Disease which occurs when the kidneys cannot filter waste from the blood [5]. Patients with CKD are increasing as the population grows rapidly throughout the world, even within 10 years, the Global Burden of Disease notes that Chronic Kidney Disease (CKD) disease rises 9 ranks from the initial rank 27 to 18th place [6]. Medical examinations performed on patients produce very large data. ...
Article
Full-text available
Classification is data mining techniques which used for the purposes of diagnosis in the medical field as measured by the high accuracy produced. The accuracy of classification algorithm is influenced by the use of features and dimensions in dataset. In this study, Chronic Kidney Disease (CKD) dataset was used where the data is one of the high dimension datasets. Support Vector Machine (SVM) algorithm is used because its ability to handle high-dimensional data. In the dataset, it consists of 24 attributes and 1 class which if all are used results accuracy of classification will be diminished. Method for selecting features with Particle Swarm Optimization (PSO) is applied to reduce redundant features and produce optimal features. In addition, ensemble AdaBoost also applied in this research to increase performance of entirety classification algorithm. The results showed that the optimization of SVM algorithm by using PSO as a selection and ensemble feature of AdaBoost with an average of selected features of 18 features could increase the accuracy of 36.20% to 99.50% in the diagnosis of CKD compared to the SVM algorithm without optimization only resulting in accuracy 63.30%. This research can be used as a reference for further research in focusing on the preprocessing stage.
Article
Full-text available
Hipertensi adalah penyakit disebabkan oleh peningkatan abnormal tekanan darah, baik tekanan darah sistolik maupun tekanan darah diastolik. Berbagai faktor risiko yang menyebabkan penyakit ini diantaranya riwayat keluarga, umur, jenis kelamin, dan lain-lain. Penelitian ini menjelaskan sebuah sistem dengan memanfaatkan perkembangan teknologi untuk dapat memprediksi risiko penyakit hipertensi dengan menggunakan metode Extreme Learning Machine (ELM). Tujuan penelitian ini adalah mengetahui pengaruh neuron lapisan tersembunyi terhadap kinerja pelatihan terbaik dan mengetahui jumlah neuron terbaik. Data yang digunakan penelitian ini berjumlah 500 data. Rasio pembagian data pelatihan dan pengujian yaitu 70:30, dengan data pelatihan 350 data dan data pengujian 150 data. Penelitian dilakukan dengan mencari hidden neuron untuk menghasilkan kinerja terbaik. Dilakukan proses pelatihan dengan menggunakan beberapa variasi jumlah hidden neuron yang diuji coba yaitu 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, hingga 100 sampai tahap pengujian. Hasil kinerja terbaik pada proses pelatihan yaitu MSE sebesar 0, 02572 dengan akurasi 99% dari berbagai variasi neuron.
Article
Full-text available
The health care system is currently improving with the development of intelligent artificial systems in detecting diseases. Early detection of kidney disease is essential by recognizing symptoms to prevent more severe damages. This study introduces a classification system for kidney diseases using the Artificial Bee Colony (ABC) algorithm and genetically modified K-Nearest Neighbor (KNN). ABC algorithm is used as a feature selection to determine relevant symptoms used in influencing kidney disease and Genetic modified KNN used for classification. This research consists of 3 stages: pre-processing, feature selection, and classification. However, it focuses on the pre-processing stage of chronic kidney disease using 400 records with 24 attributes for the feature selection and classification. Kidney disease data is classified into two classes, namely chronic kidney disease and not chronic kidney disease. Furthermore, the performance of the proposed method is compared with other methods. The result showed that an accuracy of 98.27% was obtained by dividing the dataset into 280 training and 120 test data.
Article
Full-text available
Abstrak - Penyakit ginjal kronis (PGK) merupakan masalah kesehatan masyarakat global dengan prevalensi dan insiden gagal ginjal yang meningkat, prognosis yang buruk dan biaya yang tinggi. nilai prevalensi di seluruh Indonesia untuk penyakit gagal ginjal memiliki nilai rata - rata berkisar kurang lebih 0.2 persen. Langkah pertama dalam pengelolaan penyakit ginjal adalah penetapan diagnosis yang tepat. Maka dibutuhkan sebuah metode untuk memprediksi penyakit ginjal kronis. Naïve Bayes memiliki beberapa kelebihan, yaitu cepat dalam perhitungan, algoritma yang sederhana dan berakurasi tinggi. Naïve Bayes Classifier lebih tepat diterapkan pada data yang besar dan dapat menangani data yang tidak lengkap (missing value) serta kuat terhadap atribut yang tidak relevan dan noise pada data. Untuk meningkatkan akurasi maka digunakan Particle Swarm Optimization untuk pembobotan atribut. Dari hasil penelitian Naive Bayes Classification berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 98,75% dan AUC sebesar 99%. sedangkan Naive Bayes memiliki akurasi confusion matrix 97.00% dan AUC sebesar 99.8%. Abstract - Chronic kidney disease (CKD) is a global public health problem with an increased prevalence and incidence of kidney failure, poor prognosis and high costs. prevalence values throughout Indonesia for kidney failure have an average value of around 0.2 percent. The first step in managing kidney disease is determining the right diagnosis. Then we need a method to predict chronic kidney disease. Naïve Bayes has several advantages, which are fast in calculations, simple and high accuracy algorithms. The Naïve Bayes Classifier is more appropriately applied to large data and can handle incomplete data (missing value) and is strong against irrelevant attributes and noise in the data. To improve accuracy, Particle Swarm Optimization is used for weighting attributes. From the results of the Naive Bayes Classification research based on Particle Swarm Optimization, the accuracy of confusion matrix is 98.75% and AUC 99% . while Naive Bayes has an accuracy of 97.00% confusion matrix and AUC 99.8%.
Article
Full-text available
Kidneys are two bean-shaped organs, each about the size of a fist. They are located just below the rib cage, one on each side of the spine. Kidneys are vital organs contained in the human body and serve to filter the blood of metabolic waste product and throw it in the form of urine. Given the changing conditions in the body can affect the kidneys, causing a decrease in the function of these organ and lead to chronic kidney disease. In an article on the website of the National Institute of Diabetes and Digestive and Kidney Diseases (2014) argued that chronic kidney disease is a silent disease, in which patients appear normal and show no symptomp but the test results stating the patient’s kidney function had decreased. Based on the above information, the research on how to detect chronic kidney disease will be conducted. Applications built on the basis of desktop and using Decision Tree algorithm C4.5. The trial was conducted to determine how much the level of accuracy that can be generated by the application. The testing process is done by using cross-validation and based on the results already calculated this application has an accuracy of 91.50% at the time of the decision tree is made without using preprocess menu. Index Terms— C4.5, chronic kidney disease, decision tree, detection system.
Article
Full-text available
Extreme learning machine (ELM) is a rapid learning algorithm of the single-hidden-layer feedforward neural network, which randomly initializes the weights between the input layer and the hidden layer and the bias of hidden layer neurons and finally uses the least-squares method to calculate the weights between the hidden layer and the output layer. This paper proposes a multiple hidden layers ELM (MELM for short) which inherits the characteristics of parameters of the first hidden layer. The parameters of the remaining hidden layers are obtained by introducing a method (make the actual output zero error approach the expected hidden layer output). Based on the MELM algorithm, many experiments on regression and classification show that the MELM can achieve the satisfactory results based on average precision and good generalization performance compared to the two-hidden-layer ELM (TELM), the ELM, and some other multilayer ELM.
Article
Full-text available
As we know that the normalization is a pre-processing stage of any type problem statement. Especially normalization takes important role in the field of soft computing, cloud computing etc. for manipulation of data like scale down or scale up the range of data before it becomes used for further stage. There are so many normalization techniques are there namely Min-Max normalization, Z-score normalization and Decimal scaling normalization. So by referring these normalization techniques we are going to propose one new normalization technique namely, Integer Scaling Normalization. And we are going to show our proposed normalization technique using various data sets.
Article
It is clear that the learning speed of feedforward neural networks is in general far slower than required and it has been a major bottleneck in their applications for past decades. Two key reasons behind may be: (1) the slow gradient-based learning algorithms are extensively used to train neural networks, and (2) all the parameters of the networks are tuned iteratively by using such learning algorithms. Unlike these conventional implementations, this paper proposes a new learning algorithm called extreme learning machine (ELM) for single-hidden layer feedforward neural networks (SLFNs) which randomly chooses hidden nodes and analytically determines the output weights of SLFNs. In theory, this algorithm tends to provide good generalization performance at extremely fast learning speed. The experimental results based on a few artificial and real benchmark function approximation and classification problems including very large complex applications show that the new algorithm can produce good generalization performance in most cases and can learn thousands of times faster than conventional popular learning algorithms for feedforward neural networks.1
Article
Numerous advances have been made in developing intelligent programs, some inspired by biological neural networks. Researchers from many scientific disciplines are designing artificial neural networks (ANNs) to solve a variety of problems in pattern recognition, prediction, optimization, associative memory; and control. Although successful conventional applications can be found in certain well-constrained environments, none is flexible enough to perform well outside its domain. ANNs provide exciting alternatives, and many applications could benefit from using them. This article is for those readers with little or no knowledge of ANNs to help them understand the other articles in this issue of Computer. It discusses the motivation behind the development of ANNs; describes the basic biological neuron and the artificial computation model; outlines network architectures and learning processes; and presents multilayer feed-forward networks, Kohonen's self-organizing maps, Carpenter and Grossberg's Adaptive Resonance Theory models, and the Hopfield network. It concludes with character recognition, a successful ANN application.
Jaringan Saraf Tiruan Extreme Learning Machine (ELM) untuk Memprediksi Kondisi Cuaca di Wilayah Malang". Universitas Islam Negeri Maulana Malik Ibrahim
  • Q Humaini
Humaini, Q., 2015. "Jaringan Saraf Tiruan Extreme Learning Machine (ELM) untuk Memprediksi Kondisi Cuaca di Wilayah Malang". Universitas Islam Negeri Maulana Malik Ibrahim, Malang.
Infodatin Pusat Data Informasi Kementerian Kesehatan RI
  • R I Kementerian Kesehatan
Kementerian Kesehatan RI, 2017. "Infodatin Pusat Data Informasi Kementerian Kesehatan RI".