Persalinan prematur,
didefinisikan sebagai persalinan pada wanita hamil dengan usia gestasi 20 – 36
minggu. Penelitian yang berhubungan dengan kelahiran prematur sudah pernah
dilakukan oleh peneliti yaitu dengan menggunakan metode neural network. Namun penelitian tersebut hanya manyajikan
tentang hasil sensitivitas dan spesifisitas. Hasil Penelitian yang menggunakan
metode neural network dalam
memprediksi kelahiran prematur mempunyai nilai akurasi yang dihasilkan masih
kurang akurat dan hanya sebatas menyajikan tentang hasil sensitivitas dan
spesifisitas. Dalam penelitian ini dibuatkan model algoritma neural network dan model algoritma neural network berbasis particle swarm optimization untuk
mendapatkan arsitektur dalam memprediksi kelahiran prematur dan memberikan
nilai akurasi yang lebih akurat pada data set RSUPN Cipto Mangunkusumo , RS
Sumber Waras dan secara keseluruhan. Setelah dilakukan pengujian dengan dua model
yaitu algoritma neural network dan algoritma neural network berbasis particle
swarm optimization maka hasil yang didapat adalah algoritma neural network menghasilkan nilai
akurasi sebesar 94,60% , 96,40% , 91,33% dan nilai AUC sebesar 0,973 , 0,982 ,
0,953 namun setelah dilakukan penambahan
yaitu algoritma neural network berbasis
particle swarm optimization nilai
akurasi sebesar 95,20 % , 96,80% , 92,40% dan nilai AUC sebesar 0,979 , 0,987 ,
0,965. Sehingga kedua metode tersebut memiliki perbedaan tingkar akurasi yaitu
sebesar 0,60 % , 0,40%, 1,07% dan perbedaan nilai AUC sebesar 0,006 , 0,005 ,
0,012.
Jurnal Kilat Vol.6 No.2
[1]. Health Technology Assessment Indonesia,.(2009). Prediksi Persalinan Preterm. Dirjen Bina Pelayanan Medik Kemenetrian Kesehatan Republik Indonesia.
[2]. Catley,C.,Frize,M.,Walker,R.,Petriu,C.(2006). Predicting High-Risk Preterm Birth Using Artificial Neural Networks. IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, VOL. 10, NO. 3, JULY 2006.540-549.
[3]. Park, T. S., Lee, J. H., & Choi, B. (2009). Optimization for Artificial Neural Network with Adaptive inertial weight of particle swarm optimization. Cognitive Informatics, IEEE International Conference , 481-485.
[4]. Ling, S. H., Nguyen, H. T., & Chan, K. Y. (2009). A New Particle Swarm Optimization Algorithm for Neural Network Optimization. Network and System Security, third International Conference , 516-521.
[5]. Santosa, B,. (2007). Data mining teknik pemanfaatan data untuk keperluan bisnis. Yogyakarta: Graha ilmu
[6]. Witten, I. H., Frank, E., & Hall, M. A. (2011).Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.
[7]. Astuti, E. D. (2009). Pengantar Jaringan Saraf Tiruan. Wonosobo: Star Publishing.
[8]. Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Application of Soft Computing. CRC Press.
[9]. Salappa, A., Doumpos, M., & Zopounidis, C. (2007). Feature Selection Algorithms in Classification Problems: An Experimental Evaluation. Systems Analysis, Optimization and Data Mining in Biomedicine , 199-212.
[10]. Han, J., & Kamber, M. (2007). Data Mining Concepts and Technique. Morgan Kaufmann publisher.
[11]. Dawson, C. W. (2009). Projects in Computing and Information System A Student's Guide. England: Addison-Wesley.
[12]. Berndtssom, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide for Students in Computer Science and Information Systems. London: Springer.
[13]. Vercellis, C. (2009). Business Intelligence : Data Mining and Optimization for Decision Making. John Wiley & Sons, Ltd