Tantiati, Romlah (2019) Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Persalinan. Sarjana thesis, Universitas Brawijaya.
Abstract
Salah satu acuan untuk mengukur pelayanan kesehatan disuatu wilayah adalah bagaimana penanganan proses bersalin oleh tenaga medis. Dalam hal ini Angka Kematian Ibu (AKI) serta pada bayi adalah Angka Kematian Bayi (AKB) dianggap sebagai indikator penting dalam pelayanan kesehatan. Pelayanan antenatal care dilakukan sebagai upaya menghindari terjadi risiko komplikasi pada masa kehamilan dan calon ibu dengan menetukan tindakan yang harus diberikan pada ibu hamil dari data hasil pemeriksaan sehingga mampu menekan Angka Kematian Ibu (AKI) serta Angka Kematian Bayi (AKB). Jaringan LVQ merupakan, suatu pelatihan kompetitif dengan masing-masing output dihubungkan dalam suatu kelas tertentu. Dalam penelitian ini penulis mengimplementasikan pembelajaran LVQ untuk klasifikasi persalinan kedalam 2 kelas yaitu apakah persalinan normal atau berisiko. Dengan menggunakan data yang terkumpul pada data Asuhan Keperawatan (ASKEP) pemeriksaan fisik umum ibu hamil yang memuat informasi usia, ukuran panggul, letak posisi janin, ukuran tekanan darah, kadar sel hemoglobin(HB), hasil periksa psikologi calon ibu, Lingkar Lengan Atas (LILA), proteinurea dan Tafsiran Berat Janin (TBJ). Hasil analisis pengujian LVQ untuk klasifikasi persalinan dengan parameter learning rate (
English Abstract
One reference to measure health services in an area is how medical care is handled by medical personnel. In this case the Maternal Mortality Rate (MMR) as well as in infants is the Infant Mortality Rate (IMR) considered as an important indicator in health care. Antenatal care services are carried out as an effort to prevent complications during pregnancy and expectant mothers by determining the actions that must be given to pregnant women from the examination results so that they are able to suppress the Maternal Mortality Rate (MMR) and Infant Mortality Rate (IMR). LVQ network is a competitive training with each output connected in a certain class. In this study the authors implemented LVQ learning to classify normal childbirth into 2 classes, namely whether childbirth is normal or at risk. By using the data collected in the Nursing Care (ASKEP) data on the general physical examination of pregnant women which contains information on age, pelvic size, fetal position, measurement of blood pressure, hemoglobin cell level (HB), results of psychology testing for prospective mothers, Upper Arm Circumference (LILA), proteinurea and Fetal Weight Interpretation (TBJ). The results of LVQ testing for the classification of normal childbirth with learning rate parameters (α) = 0.1, reduction constants LR (c) = 0.1, minimum LR = 10-7 and maxEpoch / iterations maximum 24 times with a comparison of the amount of training data and test data (64:16) is an accuracy value of 93,78%.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/733/052001230 |
| Uncontrolled Keywords: | Klasifikasi, persalinan, normalisasi, jaringan syaraf tiruan, Learning Vector Quantization (LVQ) |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 01 Aug 2020 08:57 |
| Last Modified: | 21 Sep 2020 07:15 |
| URI: | http://repository.ub.ac.id/id/eprint/179771 |
Actions (login required)
 |
View Item |