SISTEM PREDIKSI KISTA OVARIUM MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE LEARNING VECTOR QUANTIZATION (LVQ)

ARIFAH, ALFIN LATHIFATUL and Suhartono, Suhartono (2016) SISTEM PREDIKSI KISTA OVARIUM MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE LEARNING VECTOR QUANTIZATION (LVQ). Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
878Kb

Abstract

Kista ovarium (kista indung telur) adalah kantung berisi cairan yang terletak di ovarium. Masyarakat sering menganggap remeh penyakit kista ovarium karena gejala awal yang timbul tidak terlalu dirasakan, sehingga saat diketahui kondisi kista sudah membesar dan mengganggu aktivitas sehari-hari. Kista ovarium tidak terlalu bahaya, namun jika diabaikan dan tidak mendapatkan penanganan yang tepat, maka kista ovarium dapat berkembang menjadi kanker ovarium. Menurut World Health Organization (WHO), kanker ovarium masuk ke dalam kanker berbahaya keempat yang paling sering ditemukan pada wanita di seluruh dunia setelah kanker payudara, kolorektal, dan korpus uteri. Dari fakta tersebut, salah satu penyebab kanker ovarium adalah berawal dari kista ovarium yang tidak disadari dan tidak mendapatkan penanganan awal yang tepat. Salah satu langkah untuk mencegah kasus kanker ovarium adalah dengan mencegahnya dari penyebab paling awal yaitu pendeteksian dini kista ovarium melalui gejala yang muncul. Penelitian ini bertujuan untuk membangun sebuah sistem prediksi kista ovarium menggunakan Jaringan Saraf Tiruan (JST) metode Learning Vector Quantization. Variabel yang digunakan sebagai data prediksi berupa gejala fisik yang dialami. Terdapat 7 variabel gejala yang digunakan dalam penelitian ini. Seluruh data penelitian diambil berdasarkan data rekam medis dari RSUP Kariadi Semarang sejumlah 90 data. Identifikasi data latih dan data uji menggunakan strategi K-Fold dengan K bernilai 10. Hasil penelitian menunjukkan bahwa arsitektur jaringan LVQ terbaik untuk prediksi diperoleh pada nilai learning rate 0.02, epsilon 0.01, dan maksimum epoch 1000. Kombinasi parameter terbaik dalam penelitian menghasilkan tingkat akurasi 72.22%, error 27.78%, sensitivitas 28.65% dan spesifisitas 86.11%.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:59245
Deposited By:Mrs. Khadijah .
Deposited On:07 Feb 2020 15:51
Last Modified:07 Feb 2020 15:51

Repository Staff Only: item control page