Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)

Agustinus, Ivan (2017) Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ). Sarjana thesis, Universitas Brawijaya.

Abstract

Hipertensi merupakan salah satu masalah kesehatan secara global dan dirasakan oleh masyarakat dunia. Dari berbagai survey yang dilakukan, jumlah kasus hipertensi yang terjadi setiap tahunnya akan terus bertambah dan jumlah kematian yang disebabkan oleh hipertensi juga bertambah. Penelitian ini mencoba untuk melakukan klasifikasi penyakit hipertensi. Pada penelitian ini menggunakan data pasien penyakit hipertensi dengan dibagi kedalam 4 kelas. Metode klasifikasi yang digunakan dalam penelitian ini adalah Learning Vector Quantization. Data berupa bobot akan diinputkan kedalam database sistem untuk selanjutnya dilakukan proses klasifikasi dengan LVQ. Bobot yang didapatkan dari rekam medis pasien hipertensi, Penelitian ini menggunakan 12 fitur . Penelitian ini menggunakan 6 skenario pengujian yang menghasilkan rekomendasi nilai learning rate 0.1, pengali learning rate 0.2, data latih sebanyak 50%, alpha minimum 0.001, iterasi maksimum 6 dan data latih yang digunakan sesuai urutan id awal. Hasil akurasi yang didapatkan sebesar 93.841%.

English Abstract

Hypertension is one of the health problems globally and perceived by the world community. From various surveys conducted, the number of cases of hypertension that occur each year will continue to grow and the number of deaths caused by hypertension also increases. This study attempts to classify hypertensive diseases. In this study using patient data of hypertension disease that divided into 4 classes. Classification method used in this research is Learning Vector Quantization. Data patient of hypertension will be entered into the database system for further classification process with LVQ. Weight obtained from Learning Vector Quantization process, This study uses 12 features. This study used 6 test scenarios that resulted in recommendation of value of learning rate 0.1, multiplier learning rate 0.2, training data as much as 50%, alpha minimum 0.001, maximum iteration of 6 and train data used in the sequence of initial id. The result of accuracy obtained is 93.841%

Item Type: Thesis (Sarjana)
Identification Number: SKR/FTIK/2017/608/051708120
Uncontrolled Keywords: Klasifikasi Risiko, Hipertensi, Learning Vector Quantization
Subjects: 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Yusuf Dwi N.
Date Deposited: 06 Oct 2017 01:26
Last Modified: 28 Sep 2020 09:55
URI: http://repository.ub.ac.id/id/eprint/3330
[thumbnail of Ivan Agustinus.pdf]
Preview
Text
Ivan Agustinus.pdf

Download (8MB) | Preview

Actions (login required)

View Item View Item