Studi Implementasi Adaptive Neuro Fuzzy Inference System Untuk Menentukan Normalitas Kehamilan

*Lili Rusdiana -  STMIK Palangkaraya, Kalimantan Tengah, Indonesia
Eko Sediyono -  Magister Sistem Informasi Universitas Kristen Satya Wacana, Indonesia
Bayu Surarso -  Jurusan Matematika, Fakultas Sains dan Matematika Universitas Diponegoro, Indonesia
Published: 23 Oct 2015.
Open Access
Citation Format:
Article Info
Section: Research Articles
Language: EN
Full Text:
In Vol 5, No 2 (2015): Volume 5 Nomor 2 Tahun 2015
Statistics: 826 732
Abstract

Early detection of normality pregnancy is one of the ways to prevent more serious disorders in pregnancy. This thesis study the implementation of Adaptive Neuro Fuzzy Inference System (ANFIS) to determine the normality of pregnancy. The period of pregnancy and complaints during pregnancy are used as inputs and the normality of pregnancy as output. Data were analyzed using ANFIS method and using Sugeno FIS rules. The program simulation results show that the performance of ANFIS can be implemented to determine the normality of pregnancy. The learning results on different training with the highest level of accuracy of 77,5% can recognize the symptoms and 97.5% could identify the diagnosis to determine the normality of pregnancy. The system can provide the necessary information about the normality of pregnancy. The results show that ANFIS can be used to determine the normality of pregnancy.

 

 

Keywords
ANFIS; Normality of Pregnancy

Article Metrics:

  1. Adnan, M.R.H.M., Azlan M.Z., and Habibollah H., 2011. Consideration of Fuzzy Components for Prediction of Machining Performance: A Review. Procedia Engineering 24, 754-758
  2. Alayon, S., Richard R., Simon K.W. and Juan R., 2007. A fuzzy system for helping medical diagnosis of malformations of cortical development. Journal of Biomedical Informatics 40, 221–23.
  3. Al-Hmouz, A., Jun S., Senior M., Rami A. and Jun Y., 2012. Modeling and Simulation of an Adaptive Neuro-Fuzzy Inference System (ANFIS) for Mobile Learning. IEEE Transactions On Learning Technologies 5, 226-237.
  4. Alparslan, E., Adem K., Hayretdin B., 2011. Classification of confidential documents by using adaptive neurofuzzy inference systems. Procedia Computer Science 3, 1412–1417.
  5. Ditjen Dikti Kemdikbud, 2011. Draft Standar Kompetensi Bidan Indonesia.
  6. Faisal, T., Mohd N.T., dan Fatimah I., 2012. Adaptive Neuro-Fuzzy Inference System for diagnosis risk in dengue patients. Expert Systems with Applications 39, 4483–4495.
  7. Fang, H., Craig J., Cristian S., and Kimberly A.E., 2011. Neurotoxicology and Teratology, A new look at quantifying tobacco exposure during pregnancy using fuzzy clustering, Neurotoxicology and Teratology 33, 155-165.
  8. Giarattano, J.C., and Riley, G., 1994. Expert System : Principles and Programming, 2nd edition, PWS Publishing, USA.
  9. Kusmiyati, Y., Wahyuningsih, H.P., Sujiyatini, 2009. Perawatan Ibu Hamil, Yogyakarta, Fitramaya.
  10. Kusrini, 2008. Aplikasi Sistem Pakar, Yogyakarta, Andi.
  11. Kusumadewi, S., Sri H., Agus, H., dan Retantyo, W., 2006. Fuzzy Multi-Attribute Decision Making, Yogyakarta, Graha Ilmu.
  12. Minardi, J., 2014. Sistem Pakar Untuk Diagnosis Penyakit Kehamilan Menggunakan Metode Dempster-Shafer, Tesis Magister Sistem Informasi, Universitas Diponegoro, Semarang.
  13. Shelly, G.B., and Rosenblatt, H.J., 2012. Analysis and Design For Systems, 9th edition, Cengage Learning, International edition.
  14. Sulistyawati, A., 2009. Asuhan Kebidanan Pada Masa Kehamilan, Jakarta, Salemba Medika.
  15. Utami, S., 2008. Info Penting Kehamilan, Jakarta, Dian Rakyat.
  16. Vanajakshi, L., and Rillet, L.R., 2004. A Comparison of The Performance of Artificial Neural Network and Support Vector Machines for The Prediction of Traffic Speed, IEEE Intelligent Vehicles Symposium, 14-17.
  17. Vladan, P., Nenad R., and Vladimir P., 2009. Identification of sport talents using a web-oriented expert system with a fuzzy module, Expert Systems with Applications 36, 8830–8838
  18. Wang, G., Jinxing H., Jian M., and Lihua H., 2010. A new approach to intrusion detection using Artificial Neural Networks and fuzzy clustering, Expert Systems with Applications 37, 6225–6232
  19. Widodo, T.S., 2005. Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali, Yogyakarta, Graha Ilmu
  20. Zeki T.S., Mohammad V.M., Yousef A., Talayeh T., 2012. An Expert System for Diabetes Diagnosis, American Academic and Scholarly Research Journal 4
  21. Zhou Q., Yuxiang W., Christine W., and Paitoon T., 2011. From neural network to neuro-fuzzy modeling: applications to the carbon dioxide capture process. Energy Procedia 4, 2066–2073.

Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk dipublikasikan, hak cipta dari artikel adalah milik JSINBIS dan Universitas Diponegoro sebagai penerbit jurnal.

Hak cipta (copyright) meliputi hak eksklusif untuk mereproduksi dan memberikan artikel dalam semua bentuk dan media, termasuk cetak ulang, foto, mikrofilm dan setiap reproduksi lain yang sejenis, serta terjemahan. Penulis mempunyai hak untuk hal-hal berikut:

  1. menggandakan seluruh atau sebagian materi yang dipublikasikan untuk digunakan oleh penulis sendiri sebagai bahan pengajaran di kelas atau bahan presentasi lisan dalam berbagai forum;
  2. menggunakan kembali sebagian atau keseluruhan materi sebagai bahan kompilasi bagi karya tulis penulis;
  3. membuat salinan dari bahan yang dipublikasikan untuk didistribusikan di lingkungan institusi tempat penulis bekerja. 

JSINBIS dan Universitas Diponegoro serta Editor melakukan segala upaya untuk memastikan bahwa tidak ada data, pendapat atau pernyataan yang salah atau menyesatkan yang dipublikasikan di jurnal ini. Isi artikel yang diterbitkan di JSINBIS adalah tanggung jawab tunggal dan eksklusif dari masing-masing penulis.