AUTOENCODER UNTUK SISTEM PREDIKSI BERAT LAHIR BAYI

AUTOENCODER UNTUK SISTEM PREDIKSI BERAT LAHIR BAYI

• By Nugraha, Fitra Septia;
• Tesis
• 615
• 1-65

Salah satu ukuran terpenting saat awal persalinan adalah keakuratan prediksi berat lahir. Dengan menggunakan metode prediksi yang tepat, perkiraan ekstrim berat lahir bayi dapat dideteksi lebih atau kurang sehingga beberapa tindakan pencegahan dapat dilakukan sebelum persalinan. Di sisi lain, untuk meningkatkan akurasi suatu proses pembelajaran, dibutuhkan suatu prediksi yang akurat untuk masalah yang dihadapi atau dengan menggunakan gabungan beberapa metode. Penelitian bertujuan untuk prediksi berat lahir bayi menggunakan metode Deep Learning autoencoder untuk memprediksi berat lahir bayi. Salah satu tantangan dalam pengembangan sistem prediksi berat lahir bayi adalah datanya yang

berdimensi tinggi. Teknik konvensional untuk feature reduction seperti principal component analysis (PCA), mengasumsikan orthogonality atau independensi antar komponen prinsipal nya. Dengan autoencoder, asumsi tersebut tidak ada. Sehingga autoencoder dapat memodelkan korelasi antar fitur. Dengan melakukan variasi parameter pada autoencoder, performa terbaik diperoleh adalah MSE 0.123, MAE 0.232, R2 0.86 dengan autoencoder dengan 1 lapisan hidden layer encoder dan decoder. Ini lebih baik dibandingkan PCA.

• Katakunci Algoritma Deep Learning, Autoencoder, Normalisasi, Feature Reduction, Berat lahir bayi
• URL http://
• Penerbit Jurnal Administrasi Kantor Universitas Bina Insani, Bekasi Jawa Barat

REFERENSI

[1]      H. Yasin and D. Ispriyansti, “Klasifikasi Data Berat Bayi Lahir Menggunakan Weighted Probabilistic Neural Network (WPNN) (Studi Kasus di Rumah Sakit Islam Sultan Agung Semarang),” Media Stat., vol. 10, no. 1, p. 61, 2017.

[2]      D. D. Kusumawati, R. Septiyaningsih, and Kania, “Faktor-Faktor Ibu yang Mempengaruhi Kejadian Bayi Berat Lahir Rendah (BBLR),” J. Kesehat. Al-Irsyad, vol. 9, no. 2, pp. 8–16, 2016.

[3]      S. Kuhle et al., “Comparison of logistic regression with machine learning methods for the prediction of fetal growth abnormalities: A retrospective cohort study,” BMC Pregnancy Childbirth, vol. 18, no. 1, pp. 1–9, 2018.

[4]      D. I. Anggraini and S. Septira, “Nutrisi bagi Bayi Berat Badan Lahir Rendah ( BBLR ) untuk Mengoptimalkan Tumbuh Kembang Nutrition for Low Birth Weight Infant to Optimize Infant Growth and Development,” vol. 5, no. September, pp. 151–155, 2016.

[5]      R. D. Nindrea, “Perbedaan Taksiran Berat Badan Janin Menurut Perhitungan Formula Berat Badan Lahir Bayi,” J. Ipteks Terap., vol. 11, no. 1, p. 36, 2017.

[6]      A. Puspita and M. Wahyudi, “Algoritma C4.5 Berbasis Decision Tree untuk Prediksi Kelahiran Bayi Prematur,” Konf. Nasinal Ilmu Pengetah. dan Teknol., vol. 1, no. 1, pp. 97–102, 2015.

[7]      Jefi, “Prediksi Bayi Lahir Secara Prematur Dengan Menggunakan Metode C . 45 Berbasis Particle Swarm Optimization Pada Klinik Umi,” vol. 8, no. 2, pp. 1–7, 2019.

[8]      Y. C. Cheng, G. L. Yan, Y. H. Chiu, F. M. Chang, C. H. Chang, and K. C. Chung, “Efficient fetal size classification combined with artificial neural network for estimation of fetal weight,” Taiwan. J. Obstet. Gynecol., vol. 51, no. 4, pp. 545–553, 2012.

[9]      Y. Kristian, I. K. E. Purnama, E. H. Sutanto, L. Zaman, E. I. Setiawan, and M. H. Purnomo, “Klasifikasi Nyeri pada Video Ekspresi Wajah Bayi Menggunakan DCNN Autoencoder dan LSTM,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 3, pp. 308–316, 2018.

[10]    J. T. Informasi et al., “OPTIMASI PARAMETER ARTIFICIAL NEURAL NETWORK DENGAN,” vol. 11, pp. 196–209, 2015.

[11]    J. W. G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” pp. 1–235, 2019.

[12]    M. R. Fauzi et al., “MODEL PREDIKSI CANCER MENGGUNAKAN AUTOENCODER,” vol. 3, no. 1, 2019.

[13]    S. Prodi, T. Informatika, F. Informatika, and U. Telkom, “DENOISING SINYAL EKG MENGGUNAKAN DEEP NEURAL NETWORK DENGAN STACKED DENOISING AUTOENCODERS ECG SIGNAL DENOISING USING DEEP NEURAL NETWORK WITH STACKED DENOISING AUTOENCODERS,” vol. 4, no. 3, pp. 5024–5030, 2017.

[14]    A. Ambarwari, Q. J. Adrian, and Y. Herdiyen, “Analisis Pengaruh Data Scaling Terhadap Performa Algoritme Machine Learning untuk Identifikasi Tanaman,” vol. 1, no. 10, pp. 117–122, 2020.

[15]    E. Prasetyo, “REDUKSI DIMENSI SET DATA DENGAN DRC PADA METODE KLASIFIKASI SVM DENGAN UPAYA PENAMBAHAN KOMPONEN KETIGA,” pp. 293–300, 2014.

[16]    F. Finandakasih, S. A. Rosmah, and M. A. Tiro, “Model Prediksi Berat Lahir Bayi Berdasarkan Faktor Pengaruhnya Di Puskesmas Kaluku Bodoa,” Pros. Semin. Nas. Variansi, vol. 2018, pp. 162–174, 2018.

[17]    F. Wahyuni, R. Purwana, D. G. Matondang, D. D. Keperawatan, and I. K. Helvetia, “HUBUNGAN LAMA MENGIKUTI BABY SPA DENGAN KENAIKAN BERAT BADAN BAYI USIA 0-6 BULAN DI YAYASAN IBU KOMPLEKS MEDAN PERMAI KOTA MEDAN TAHUN 2018 Dosen S1 Kebidanan STIKES Senior Medan , Indonesia Alumni D4 Kebidanan , Institut Kesehatan Helvetia Background ; B,” vol. 2, no. 2, 2020.

[18]    D. A. WIBOWO, “Pengaruh Terapi Massage Terhadap Peningkatanberat Badan Bayi Prematur Di Ruang Perinatologi Rumah Sakit Umum Daerah Tasikmalaya,” J. Kesehat. Bakti Tunas Husada J. Ilmu-ilmu Keperawatan, Anal. Kesehat. dan Farm., vol. 17, no. 1, p. 41, 2017.

[19]    N. Nurhudayaen, R. Majid, and A. ainurafiq, “Model Prediksi Berat Lahir Bayi Berdasarkan Berat Badan Ibu Sebelum Hamil Dan Pertambahan Berat Badan Pertrimester Di Wilayah Kerja Puskesmas Puuwatu Tahun 2015-2016,” J. Ilm. Mhs. Kesehat. Masy. Unsyiah, vol. 2, no. 6, p. 185487, 2017.

[20]    Y. Haryanti, E. Frelestanty, and R. Amartani, “Analisis Kejadian Rupture Perineum Persalinan Normal pada Ibu Primigravida di RSUD Ade Muhammad Djoen Sintang Tahun 2018,” Pros. Semin. Nas. Unimus, vol. 1, no. 0, pp. 250–255, 2018.

[21]    F. Afifah, “Bayi besar dalam kandungan sangat berisiko, bumil perlu tahu apa saja penyebabnya,” theAsianparent Indonesia, 2020. [Online]. Available: https://id.theasianparent.com/bayi-besar-dalam-kandungan. [Accessed: 18-Jul-2020].

[22]    S. Banu, “Batas usia ideal untuk hamil,” theAsianparent Indonesia, 2020. [Online]. Available: https://id.theasianparent.com/batas-usia-ideal-hamil. [Accessed: 18-Jul-2020].

[23]    V. Pinontoan and S. Tombokan, “Hubungan Umur Dan Paritas Ibu Dengan Kejadian Bayi Berat Lahir Rendah,” J. Ilm. Bidan, vol. 3, no. 1, p. 90765, 2015.

[24]    F. Monita, D. Suhaimi, and Y. Ernalia, “Hubungan usia, jarak kelahiran dan kadar hemoglobin ibu hamil dengan kejadian berat bayi lahir rendah di rsud arifin achmad provinsi riau,” Jom FK, vol. 3, no. No. 1, pp. 1–17, 2016.

[25]    N. O. Rosdianto, H. Herman, V. Murniati, D. Orthopedi, F. Kedokteran, and U. Padjadjaran, “HUBUNGAN ANTARA PENAMBAHAN BERAT BADAN IBU SELAMA HAMIL DENGAN,” vol. 5, no. 4, pp. 317–323, 2019.

[26]    I. B. U. Hamil, D. I. Bps, T. Y. Way, H. Bandar, L. Tahun, and A. Mariza, “HUBUNGAN PENDIDIKAN DAN SOSIAL EKONOMI DENGAN KEJADIAN ANEMIA PADA,” vol. 10, no. 1, pp. 5–8, 2016.

[27]    A. Geron, Hands-On Machine Learing With Scikit-Learn & Tensor Flow. 2017.

[28]    R. E. Neapolitan and X. Jiang, Artificial Intelligence With an Introduction to Machine Learning. 2019.

[29]    M. Azhar, E. Riksakomara, and A. P. Terkait, “Peramalan Jumlah Produksi Ikan dengan Menggunakan,” vol. 6, no. 1, pp. 142–148, 2017.

[30]    A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode,” Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.

[31]    E. S. Noviando et al., “Studi Penerapan ANN ( Artificial Neural Network ) Untuk Menghilangkan Harmonisa Pada Gedung Pusat Komputer Abstrack Gambar 2 Bentuk Gelombang Harmonisa ( Dugan dan Mc Granaghan , 1996 dalam Sungkowo H , 2013 ) Sedangkan Untuk Batas distorsi tegangan yang ,” vol. 3, no. 2, pp. 1–6, 2016.

[32]    I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning (Adaptive Computation and Machine Learning series). 2016.

[33]    P. H. K, “Menilik Activation Function,” Medium, 2017. [Online]. Available: https://medium.com/@opam22/menilik-activation-functions-7710177a54c9. [Accessed: 22-Jul-2020].

[34]    Y. Yu, K. Adu, N. Tashi, P. Anokye, X. Wang, and M. A. Ayidzoe, “RMAF: Relu-Memristor-Like Activation Function for Deep Learning,” IEEE Access, vol. 8, pp. 72727–72741, 2020.

[35]    C. Yu, Z. Su, and J. Province, “S g e l u (sgelu ),” 2019.

[36]    Z. Huang, X. Du, and L. Chen, “Convolutional Neural Network Based on Complex Networks for Brain Tumor Image Classification With a Modified Activation Function,” pp. 89281–89290, 2020.

[37]    A. Nur, A. Thohari, and G. B. Hertantyo, “Implementasi Convolutional Neural Network untuk Klasifikasi Pembalap MotoGP Berbasis GPU,” pp. 50–55, 2018.

[38]    D. P. Kingma and J. L. Ba, “A : a m s o,” pp. 1–15, 2015.

[39]    A. Santoso and G. Ariyanto, “IMPLEMENTASI DEEP LEARNING BERBASIS KERAS UNTUK PENGENALAN WAJAH,” Emit. J. Tek. Elektro, 2018.

[40]    K. Janocha and W. M. Czarnecki, “On loss functions for deep neural networks in classification,” Schedae Informaticae, 2016.

[41]    A. Y. Prathama, A. Aminullah, A. Saputra, D. Teknik, and U. G. Mada, “UNTUK PENENTUAN PROSENTASE BOBOT PEKERJAAN PADA RUMAH SAKIT PRATAMA,” vol. 7, 2017.

[42]    J. T. Informatika and U. P. Ronggolawe, “PENERAPAN METODE MEAN ABSOLUTE ERROR ( MEA ) DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI,” no. 1, pp. 78–83, 2019.

[43]    A. Rachman, “MODEL PERAMALAN KONSUMSI BAHAN BAKAR JENIS PREMIUM DI INDONESIA DENGAN,” pp. 166–176, 2014.

[44]    N. Thaharah, “PENGARUH MEKANISME CORPORATE GOVERNANCE DAN KINERJA KEUANGAN TERHADAP NILAI PERUSAHAAN LQ 45,” vol. 5, 2016.

[45]    K. P. Danakusumo, “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA CANDI BERBASIS GPU,” 2017.

[46]    H. Shao, H. Jiang, H. Zhao, and F. Wang, “A novel deep autoencoder feature learning method for rotating machinery fault diagnosis,” Mech. Syst. Signal Process., vol. 95, pp. 187–204, 2017.

[47]    D. Sarkar, R. Bali, and T. Ghosh, “Transfer Learning Fundamentals,” in Hands-on transfer learning with Python : implement advanced deep learning and neural network models using TensorFlow and Keras, 2018.

[48]    A. I. Naimi, R. W. Platt, and J. C. Larkin, “Machine Learning for Fetal Growth Prediction,” Epidemiology, vol. 29, no. 2, pp. 290–298, 2018.

[49]    S. E. Zaluchu, “Strategi Penelitian Kualitatif dan Kuantitatif Di Dalam Penelitian Agama,” Evang. J. Teol. Injili dan Pembin. Warga Jemaat, vol. 4, no. 1, p. 28, 2020.

[50]    Sugiyono, “Metode Penelitian Kuantitatif,Kualitatif dan R&D,” in ke-26, 2018.

[51]    L. Nilawati, “Penilaian Apartemen Pada Perusahaan Konsultan Properti Menggunakan Metode Naïve Bayes,” vol. 4, no. 2, pp. 114–123, 2020.

[52]    M. F. Nugroho and S. Wibowo, “Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes,” J. Inform. Upgris, vol. 3, no. 1, pp. 63–70, 2017.

[53]    N. Chamidah, Wiharto, and U. Salamah, “Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain ( BPGDAG ) untuk Klasifikasi,” ITSMART, vol. Vol 1. No, no. September 2018, pp. 28–33, 2012.

[54]    B. Badieah, R. Gernowo, and B. Surarso, “Metode Jaringan Syaraf Tiruan Untuk Prediksi Performa Mahasiswa Pada Pembelajaran Berbasis Problem Based Learning (PBL),” J. Sist. Inf. Bisnis, vol. 6, no. 1, p. 46, 2016.