Jurnal Inovasi Sistem Informasi
Implementasi Extreme Learning Machine
Jurnal 1
Implementasi Extreme Learning Machine untuk
Pengenalan Objek Citra Digital
Metode : Eksperimental
Kelebihan : Pembahasan yang lengkap dan jelas dengan banyak percobaan yang meyakinkan pembaca akan teori yang disampaikan.
Kekurangan : Pembahasan teori dan rumus yang digunakan dalam percobaan dalam jurnal tak mudah dipahami, perlu pengetahuan dasar sebelumnya untuk bisa memahami eksperimen yang dicontohkan dalam jurnal.
Rangkuman
Perkembangan teknologi informasi yang sangat
cepat di tengah masyarakat membuat data atau
informasi tidak hanya disajikan dalam bentuk teks,
tetapi juga dapat berupa gambar, audio, dan video. Keempat
macam data atau informasi ini sering disebut multimedia.
Era teknologi informasi saat ini tidak dapat dipisahkan dari
multimedia. Saat ini orang tidak hanya dapat mengirim
pesan dalam bentuk teks, tetapi juga dapat mengirim pesan
berupa gambar maupun video. Citra (image), istilah lain
untuk gambar, merupakan salah satu komponen multimedia
yang berperan sangat penting sebagai bentuk informasi
visual. Sebuah gambar dapat memberikan informasi yang
lebih banyak dari pada informasi tersebut disajikan dalam
bentuk kata-kata.
Istilah pengolahan citra digital secara umum
didefinisikan sebagai pemroresan citra dua dimensi dengan
komputer. Pada awalnya pengolahan citra ini dilakukan
untuk memperbaiki kualitas citra sehingga dapat lebih
mudah diinterpretasikan oleh mata manusia, namun dengan
berkembangnya dunia komputasi dan dengan semakin
meningkatnya kapasitas dan kecepatan proses komputer
maka muncullah ilmu-ilmu komputasi yang memungkinkan
komputer dapat mengambil informasi dari suatu citra untuk
keperluan pengenalan objek secara otomatis. Pengolahan
citra digital ini sangat erat kaitannya dengan ilmu
pengenalan pola (pattern recognition) yang umumnya
bertujuan untuk mengenali suatu objek dengan cara
mengekstrak informasi penting yang terdapat pada suatu
citra.
Pengenalan pola bisa didefinisikan sebagai cabang
kecerdasan yang menitikberatkan pada metode
pengklasifikasian objek ke dalam kelas-kelas untuk
menyelesaikan masalah tertentu.
Pengenalan citra digital merupakan salah satu masalah
dalam computer vision khususnya pattern recognition dan
machine learning. Machine learning adalah salah satu
disiplin ilmu dari computer science yang mempelajari
bagaimana membuat komputer atau mesin mempunyai suatu
kecerdasan. Agar mempunyai suatu kecerdasan, komputer
atau mesin harus dapat belajar. Dengan kata lain machine
learning adalah suatu bidang keilmuan yang berisi tentang
pembelajaran komputer atau mesin untuk menjadi cerdas.
Pada tahun 2016 telah dilakukan penelitian oleh I Wayan
Suartika, dkk mengenai salah satu metode machine learning
yaitu Convolutional Neural Network (CNN) yang digunakan
untuk klasifikasi citra objek. CNN adalah pengembangan
dari Multilayer Perceptron yang didesain untuk mengolah
data dua dimensi. Hasil uji coba dari klasifikasi objek citra
dengan CNN ini menghasilkan tingkat akurasi sebesar 20%-
50% [1]. Metode lain dari machine learning yang dapat
mengatasi permasalahan ini adalah Extreme Learning
Machine (ELM) dengan tingkat akurasi yang lebih baik [2].
Berdasarkan kelebihan ELM tersebut, dapat diambil
kesimpulan bahwa ELM memiliki kemampuan klasifikasi
yang diperuntukkan untuk data gambar. Oleh karena itu,
pada Tugas Akhir ini akan digunakan Extreme Learning
Machine untuk pengenalan objek citra digital.
Kesimpulan
Dari uji coba dan evaluasi dapat disimpulkan beberapa
hal sebagai berikut:
1. Konstruksi model Extreme Learning Machine yang
dibangun oleh tiga layer yaitu input layer, hidden layer,
dan output layer dengan masing-masing terdiri dari
2500 node, 1250 node, dan 3 node berhasil melakukan
pengenalan objek citra digital dengan rata-rata tingkat
akurasi mencapai 57,33% pada citra dengan objek
berukuran kecil, 81,33% pada citra dengan objek
berukuran sedang, dan 74,67% pada citra dengan objek
berukuran besar.
2. Keakuratan sistem sangat dipengaruhi oleh ukuran
objek dalam citra. Citra dengan objek berukuran sedang
menghasilkan tingkat akurasi paling tinggi, sedangkan
citra dengan objek berukuran kecil menghasilkan
tingkat akurasi paling rendah. Penentuan dataset juga
sangat berpengaruh dalam menentukan kemampuan
ELM. Selain itu, proses cropping yang tidak tepat
mengakibatkan citra hasil praproses tidak terfokus pada
objek yang akan dikenali sehingga hasil pengenalan
yang diberikan tidak tepat.
3. Penentuan arsitektur dari ELM juga mempengaruhi
keakuratan sistem. Pemilihan yang kurang tepat untuk
jumlah node pada input layer, hidden layer, dan output
layer akan memberikan hasil pengenalan yang kurang
akurat.
Jurnal 2
Implementasi Extreme Learning Machine Untuk Deteksi Dini Infeksi
Menular Seks (IMS) Pada Puskesmas Dinoyo Kota Malang
Metode : Eksperimental
Kelebihan : Pengujian data cukup banyak. Penjelasan grafik dari data yang digunakan lengkap.
Kekurangan : Implementasi sistem masih kurang jelas.
Rangkuman
Infeksi menular seks (IMS) merupakan
penyakit atau infeksi yang biasanya ditularkan
melalui hubungan seks yang tidak aman (vagina,
anus, dan mulut) penularan bisa berupa cairan
tubuh dalam. Adapun penularan lainya ibu yang
menyusui bayinya dan penggunaan jarum suntik
berulang pada seseorang yang beresiko. IMS
tidak selalu menunjukkan gejala, seringkali
seseorang terlihat biasa namun sebenarnya telah
terinfeksi.
Penanganan pada Poli Penyakit Kulit dan
Kelamin Puskesmas Dinoyo sudah baik namun
tentunya masih ada kendala. Petugas medis
kesulitan untuk melengkapi data pasien karena
pasien penderita sendiri tidak tahu pasti akan
gejala-gejala yang dialaminya. Ketika tanya
jawab pemeriksaan dengan pasien penderita
beberapa tidak berkata jujur pada riwayat
penyakit IMS sebelumnya ataupun faktor resiko
tertular. Dari permasalahan tersebut, penulis
membuat suatu sistem cerdas yang mampu untuk
menjawab permasalahan sebagai salah satu sarana pelayanan identifikasi dini IMS.
Berdasarkan penelitian sebelumnya,
menggunakan kombinasi metode Rough Set
(RS) dan Extreme Learning Machine (ELM). RS
digunakan sebagai ekstraksi fitur dan
menghapus fitur yang berlebihan. Kemudian
dari fitur yang tersisa proses klasifikasi
menggunakan metode ELM. Akurasi klasifikasi
terbaik dari penelitian ini menggunakan 80% -
20% sebesar 100%. Ini merupakan perolehan
yang sangat baik untuk sistem klasifikasi dengan
kombinasi dua metode (Kaya dan Uyar, 2013).
Selain itu Huang, et al (2006) dalam
penelitiannya menyatakan metode ELM
memiliki learning speed sangat cepat dan
memiliki kinerja lebih bagus dari beberapa
pembelajaran berbasis gradient.
Fardani (2015) menggunakan ELM untuk
meramalkan jumlah kunjungan pasien rumah
sakit. Penelitian menghasilkan akurasi baik dan
tingkat error yang kecil yaitu menghasilkan
MSE sebesar 0.027. Penelitian Lainnya yaitu
prediksi klasifikasi menggunakan Extreme
Learning Machine (ELM). ELM digunakan
untuk mendiagnosis penyakit diabetes melitus,
memakai 3 kelas klasifikasi. Dari segi kecepatan
dan akurasi kinerja ELM lebih baik
dibandingkan backpropagation. Tingkat akurasi
dianalisis menggunakan Mean Square Error
(MSE) untuk data testing menghasilkan adalah
0.4036 dan tingkat kesalahan MSE untuk
backpropagation pada data testing adalah
0.9425. (Pangaribuan, 2016).
Berdasarkan permasalahan yang dijabarkan
di atas dan juga penelitian sebelumnya, maka
dalam penelitian ini penulis mengambil judul
“Implementasi Extreme Learning Machine
untuk Deteksi Dini Infeksi Menular Seks
(IMS)”. Diharapkan dengan adanya aplikasi ini
dapat memudahkan pasien atau masyarakat
untuk mendiagnosis awal secara mandiri dengan
pengawasan dan tindakan lanjut oleh pihak
medis.
Kesimpulan
Berdasarkan perancangan, implementasi,
dan hasil analisis pengujian implementasi
algoritma Extreme Learning Machine untuk
untuk deteksi dini Infeksi Menular Seks (IMS),
didapatkan kesimpulan sebagai berikut:
1. Algoritma Extreme Learning Machine
dapat diimplementasikan pada
permasalahan untuk deteksi dini Infeksi
Menular Seks (IMS). Proses ELM
dibagi menjadi 2 yaitu training untuk
pembelajaran dan testing untuk
pengukuran akurasi. Selanjutnya
klasifikasi IMS dilakukan dengan cara
memasukkan data pasien seperti jenis
kelamin, faktor risiko serta gejala
penyakit dan mengklasifikasikan
berdasarkan parameter training terbaik
yaitu nilai bobot keluaran, matrik
random weight dan matrik random bias.
2. Nilai Evaluasi prediksi berdasarkan
hasil pengujian yang diukur
menggunakan nilai Akurasi pada
implementasi algoritma ELM untuk
deteksi dini IMS adalah sebagai berikut:
a. Berdasarkan pengujian dan analisis
perbandingan jumlah data latih dan
data uji berpengaruh terhadap hasil
perhitungan ELM. Rata-rata akurasi
terbaik sebesar 36.36% pada rasio
perbandingan 90%:10%. Hal ini
membuktikan bahwa semakin
banyak data training akan semakin
baik nilai akurasinya.
b. Pengujian dan analisis
perbandingan nilai hidden neuron
berpengaruh terhadap hasil
perhitungan ELM. nilai akurasi
paling optimal ditunjukkan pada
100 hidden layer dengan akurasi
0
20
40
1 2 3 4
akurasi presentase
range weight
Akurasi terhadap nilai range
weight
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4406
Fakultas Ilmu Komputer, Universitas Brawijaya
terbaik 50%. Hal ini menunjukkan
bahwa 100 hidden layer lebih cocok
digunakan untuk jenis data seperti
pada penelitian ini.
c. Pengujian dan analisis
perbandingan jumlah range nilai
weight random berpengaruh
terhadap hasil perhitungan ELM.
Akurasi terbaik sebesar 31.82%
pada nilai range -1 sampai 0. Hasil
pengujian ini bersifat fluktuatif
tetapi ketika nilai range weight
dipersempit pada parameter tertentu
dapat meningkatkan akurasi.
DAFTAR PUSTAKA
Diffusion of Innovation Theory and an Implementation on Enterprise
Resource Planning Systems
Diffusion of Innovation Theory and an Implementation on Enterprise
Resource Planning Systems
No comments:
Post a Comment