Dwiatmoko,Tony (2016) Implementasi Learning Vector Quantization (Lvq) Untuk Klasifikasi Tingkat Resiko Terkena Penyakit Stroke. Sarjana thesis, Universitas Brawijaya.
Abstract
Penyakit stoke adalah penyakit yang diakibatkan oleh penyumbatan peredaran darah ke otak. Penyumbatan terjadi pada salah satu bagian yang ada di otak dan dapat menimbulkan gangguan fungsional pada otak. Stroke merupakan penyakit yang dapat mematikan jika penanganan terlambat. Faktor keterlambatan penanganan diakibatkan karena kurangnya kesadaran dari pasien bahwa dirinya dapat beresiko terkena penyakit stroke. Selama ini pendeteksian penyakit stroke dilakukan di laboratorium dengan proses manual melihat kriteria darah sehingga data yang diproses banyak membutuhkan waktu yang cukup lama. Dengan masalah tersebut maka dibutuhkan sistem yang dapat membantu mempercepat proses pendeteksian awal.Salah satu teknik yang dapat digunakan untuk mendeteksi dengan menggunakan Learning Vector Quantization (LVQ). Learning Vector Quantization bertujuan untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi dan mengklasifikasikan vektor-vektor input,hasil dari pembelajaran adalah jarak yang mendekati bobot sehingga akanmengklasifikasikan vektor input tersebut ke dalam kelas yang sama.LVQ dapat digunakan untuk mengklasifikasikan kriteria darah hasil cek dari laboratorium,sehingga dihasilkan tingkat resiko pasien terkena penyakit stroke.Pada penelitian ini digunakan sebanyak 200data. Dari hasil pengujian yang telah dilakukan didapatkan hasil akurasi rata-rata sebesar 63,5% dengan menggunakan perbandingan data latih dan data uji sebesar 60:40 data. Parameter yang digunakan learning rate Awal=0.5, decAlfa=0,01,dan learning rate minimum =0,000001,Iterasi maksimum=100.
English Abstract
Stroke is a disorder of blood cyrculation in the brain, where supplies of oxygen and nutrients are blocked. This has resulted in nerve cells in the brain die and can cause a portion of the body experiencing paralysis. Stroke can be deadly if the treatment given to patient is too late. Many people found out that they have a high risk too late due to lack of awareness. Stroke detection is performed in laboratories through a blood test manually and if there are too many data to process, it would take a long time. Therefore, it needs a system that can speed up and facilitate the early detection of the disease stroke. One technique that can be used is the classification method using Learning Vector Quantization (LVQ). Method of Learning Vector Quantization (LVQ). In the LVQ algorithm, weight vectors associated with each output unit are known as vectors. Each class of input space is represented by its own set of vectors. Vectors are defined according to the specific task. For the categorization task we use one vector class.The category label for each vector is the class name. LVQ classify the result of blood test and then generate a result about the Stroke risk for patient. This research used data on as many as 200. The testing result showed the best accuracy. The result obtained from testing process showed average accuration around 63.5% by ratio 60:40 for training data and testing data respectively. The parameters are initial learning rate =0.5, decAlfa=0.01 and minimum learning rate=0,000001 and maximum iteration =100.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2016/586/051610869 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Sugiantoro |
| Date Deposited: | 08 Nov 2016 15:17 |
| Last Modified: | 21 Oct 2021 18:17 |
| URI: | http://repository.ub.ac.id/id/eprint/147163 |
Preview |
Text
Tony_Dwiatmoko(0910683093)_Implementasi__Learning_Vector_Quantization_(LVQ)_untuk_klasifikasi_Tingkat__Resiko_Terkena_Penyakit#D4D9.pdf Download (2MB) | Preview |
Preview |
Text
Jurnal_Implementasi_Algoritma_LVQ_(Learning_Vector_Quantization)_Untuk__klasifikasi_Tingkat_Resiko_terkena_Penyakit_Stroke.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |