APLIKASI DETEKSI DINI PENYAKIT HEPATITIS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION 2 (LVQ2) BERBASIS WEB

NUDIN, AMIN and Wibawa, Helmie Arif (2016) APLIKASI DETEKSI DINI PENYAKIT HEPATITIS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION 2 (LVQ2) BERBASIS WEB. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

709Kb

Abstract

Deteksi dini penyakit hepatitis merupakan suatu upaya yang dilakukan dalam rangka pencegahan adanya kemungkinan penyakit hepatitis di dalam tubuh seseorang. Penderita penyakit ini seringkali tidak menyadari dan menghiraukan gejala-gejala awal yang mengindikasikan risiko penyakit hepatitis, pemeriksaan pada dokter atau pemeriksaan laboratorium baru dilakukan setelah penderita mengalami keluhan penyakit yang cukup serius. Pada RSUP Dr. Kariadi, untuk menentukan seseorang terdeteksi penyakit hepatitis ini dilakukan secara manual menggunakan data pasien dan hasil laboratorium. Dalam penelitian tugas akhir ini, penulis mencoba membangun sebuah aplikasi deteksi dini penyakit hepatitis menggunakan metode Learning Vector Quantization 2 (LVQ2) berbasis web berdasarkan faktor resiko penyakit hepatitis itu sendiri. Variabel-variabel yang digunakan adalah tidak enak badan, mual, demam, lemas, nafsu makan menurun, nyeri perut bagian atas, BAK, BAB, dan ikterus. Sedangkan lapisan keluaran terdiri dari 3 kelas berdasarkan faktor resiko yang digunakan yaitu hepatitis akut, hepatitis kronis, dan bukan hepatitis. Faktor resiko yang diambil berdasarkan data rekam medis dan hasil wawancara dengan salah satu dokter spesialis penyakit dalam di RSUP Dr. Kariadi. Data yang digunakan pada penelitian ini sebanyak 60 data, 54 data digunakan untuk pelatihan, dan 6 data untuk pengujian. Pengujian dilakukan dengan menggunakan K-Fold Cross Validation dengan nilai k = 10. Aplikasi ini menggunakan pilihan arsitektur jaringan terbaik berdasarkan hasil pengujian, yaitu dengan inisialisasi bobot awal yang bernilai sama yaitu 0,5, learning rate (α) 0.01, error minimum (eps) 0.01, nilai window (ε) 0.3, dan maksimum epoch sebanyak 1000 epoch dengan tingkat akurasi sebesar 91.67%.

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:59333
Deposited By:Mrs. Rismiyati .
Deposited On:16 Jan 2018 09:29
Last Modified:16 Jan 2018 09:29

Repository Staff Only: item control page