Prediksi Tingkat Kesuburan (Fertility) Dengan Jaringan Saraf Tiruan Metode Backpropagation

Abstract

Fertilitas merupakan kemampuan organ reproduksi untuk bekerja secara optimal untuk menjalankan fungsi fertilisasi. Pada laki-laki fertilitas tergantung pada sel kualitas sperma, sel sperma dipengaruhi oleh fakor lingkungan, riwayat penyakit serta kebiasaan hidup. Faktor tersebut adalah musim atau cuaca, usia, penyakit bawaan dari kecil, adanya trauma, bedah, demam tinggi, alkohol, rokok dan lama duduk. Dalam dunia kesehatan, diagnosis penyakit menjadi hal yang sulit. Namun catatan rekam medis dapat membantu dokter muda untuk mengambil keputusan. Setiap tahun data rekam medis semakin bertumpuk, dan apa yang akan dilakukan dengan seluruh data tersebut. Data Mining dapat menggunakan data tersebut untuk membangun sebuah model untuk mengenali pola data yang ada pada basis data. Jaringan saraf tiruan merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem saraf manusia. Dapat digunakan untuk proses klasifikasi maupun prediksi. Tujuan dari penelitian ini yaitu untuk mengimplementasikan metode jaringan saraf tiruan backpropagation untuk mengklasifikasikan kualitas fertilitas, serta dapat mendapatkan analisis sensifitas, spesifitas, dan akurasi metode. Arsitektur jaringan saraf tiruan backpropagation menggunakan 9 neuron pada input layer, 2 neuron pada hidden layer, dan 1 neuron output layer. Hasil dalam pengujian menunjukan ratarata bahwa metode ini berhasil mengklasifikasi dengan baik kualitas fertilitas dengan akurasi 80.32%, untuk data kelas "Normal" sensifitas yang didapatkan 89.6%, sedangkan klasifikasi kelas "Tidak Normal" spesifitas 26.47%. Untuk validasi k-fold cross yang diterapkan dari 100 data yang dipecah menjadi empat bagian. Hasil rata-rata akurasi sebesar 86%, rata-rata sensifitas 91.99%, dan rata-rata spesifitas 52.50%.

Systematic Review: Perkembangan Machine Learning Pada Sperma Manusia

“…Hasil kesimpulan menunjukan bahwa ekstrak terung ungu dapat mempengaruhi rendah kualitas pergerakan dan daya hidup spermatozoa. Penelitian [10] menggunakan neuron layer input (9), layer tersembunyi (2) , dan layer luaran (1). Disimpulkan bahwa klasifikasi fertilitas 80,32% pada data kelas "Normal" serta sensitifitas sebesar 89,6%.…”

“…Jika jurnal yang tidak memenuhi persyaratan maka akan di eksklusikan. ISSN: 1693-0010(Print), ISSN: 2615-224X(Online) Available online at https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index Data inklusi selanjutnya dilakukan tabulasi dengan menggunakan aplikasi pengolahan data dan pengolahan matematika, dibuat pembahasan dan kesimpulannya.. [14], [15] 2 Hubungan reproduksi dengan fertilitas pada laki-laki : Pemeriksaan biru anilin dan biru toluidin, jumlah spermatozoa, tingkat mobilitas sperma menggunakan CASA, motilitas spermatozoa dengan uji klinis, mengetahui perbedaan parameter fragmentasi DNA sperma, [6], [9], [10], [11], [12], [16], [17], [18], [19], [20], [21], [22], [23] 3. Penerapan teknologi dibidang IT terhadap penelitian reproduksi: Histogram citra, K-NEAREST NEIGHBOR, data mining sperma berbasis android, Convolutional Neural Network (CNN), algoritma CART, Naïve Bayes dengan Algoritma Genetika Result.…”

“…Berikutnya adalah prediksi kualitas kesuburan pria menggunakan metode jaringan saraf tiruan backpropagation, dengan tujuan klasifikasi kualitas fertilitas agar mendapatkan hasil sensitivitas, spesifisitas, dan akurasi. Hasil menunjukan bahwa kualitas fertilitas dengan akurasi 80.32% pada data kelas "Normal" sensitivitas sebesar 89.6%, sedangkan "Tidak Normal" spesifitas 26.47% [10].…”

Analisis Fitur Pada Citra Gestur Tangan Sistem Isyarat Bahasa Indonesia

“…Walaupun algoritme KNN relatif lambat, algoritme ini dapat menghasilkan akurasi tinggi [10]. Algoritme Neural Network dinilai mampu menangani berbagai tipe data serta peforma yang relatif cepat [11] [12]. Support-Vector Machine (SVM) dinilai memiliki peforma yang tinggi secara keseluruhan [9], namun algoritme ini didesain untuk menangani data dengan binary class [13] sehingga untuk diterapkan pada multi-class digunakan beberapa tahap preprocessing dan fungsi kernel.…”

Klasifikasi Kanker Serviks Menggunakan Model Convolutional Neural Network Alexnet

“…Umumnya, tes kanker serviks dapat dilakukan dengan pap smear, pemeriksaan HPV, dan pemeriksaan IVA yang didukung dengan tes pencitraan/gambar medis seperti CT scan, mikroskopis dan MRI. Perkembangan teknologi kecerdasan buatan seperti jaringan saraf tiruan dapat diterapkan untuk bidang kesehatan seperti kualitas kesuburan [3]. Model ini memiliki keuntungan ketika fiturnya diketahui dengan baik.…”