Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 8, Agustus 2018, hlm. 2947-2955

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ) Ivan Agustinus1, Edy Santoso2, Bayu Rahayudi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya E-mail: [email protected], [email protected], [email protected] Abstrak 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%. Kata kunci: klasifikasi risiko, hipertensi, learning vector quantization

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 by divided into 4 classes. Classification method used in this research is Learning Vector Quantization. Data in the form of weight will be entered into the database system for further classification process with LVQ. Weight obtained from medical records of hypertensive patients, 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% Keywords: classification risk, hypertension, learning vector quantization

1.

diperlukan oleh tubuh menjadi terhambat. Mekanisme yang terjadi dalam hipertensi adalah akibat dari beberapa interaksi dinamis yang terjadi antara faktor genetik dengan lingkungan dan faktor lainnya (Taufik, 2013). 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. Menurut Badan Kesehatan Dunia (WHO) penderita hipertensi di Indonesia mencapai lebih dari 30% . Sedangkan Perhimpunan Dokter Indonesia menyatakan pada tahun 2014 bahwa

PENDAHULUAN

Pertambahan usia pada seseorang dapat menyebabkan tekanan darah menjadi meningkat. Terdapat beberapa faktor yang menjadi sebab dari hal tersebut, Kurangnya aktivitas yang dilakukan secara fisik, berlebihnya berat badan pada seseorang dan terdapat gangguan yang terjadi pada perubahan secara hormonal adalah faktor yang menyebabkan meningkatnya tekanan darah. Hipertesi atau tekanan darah tinggi adalah gangguan yang terjadi di pembuluh darah yang membuat suplai dari oksigen dan darah yang membawa nutrisi yang Fakultas Ilmu Komputer Universitas Brawijaya

2947

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

terdapat 76 persen untuk kasus hipertensi yang sejak dini tidak dapat didiagnosis. Meningkatnya kasus dari hipertensi karena penderita hipertensi tidak mendapatkan pengobatan yang layak ataupun pengobatan yang belum dijalankan sampai selesai hingga tekanan darah pada pasien mencapai batas normal (Yogiantoro, 2009). Terjadinya hal ini dikarenakan masih terbatasnya akses dalam pengobatana dan masih rendahnya pengetahuan akan hipertensi. 2.

LANDASAN KEPUSTAKAAN

2.1 Kajian Pustaka Penelitian yang telah menggunakan sistem cerdas pada saat ini sudah cukup banyak, penelitian tersebut digunakan dalam berbagai macam bidang, baik dalam kesehatan ataupun dalam bidang yang lain salah satunya adalah “Klasifikasi risiko hipertensi menggunakan fuzzy tsukamoto dan algoritma genetika”, yang dilakukan oleh Nindy Akvalentin Kusumaningrum. Penelitian ini menggunakan metode fuzzy tsukamoto yang dikombinasikan dengan algoritma genetika. Dalam penelitian tersebut menghasilkan tingkat akurasi sebesar 85.9% untuk laki – laki dan 93% untuk perempuan. Selanjutnya terdapat penelitian yang menggunakan metode Learning Vector Quantization (LVQ) dengan judul “Pengklasikasian Mutu Susu Sapi Menggunakan Metode Learning Vector Quantization (LVQ) dengan studi kasus UPT laboratorium Kesehatan Hewan Malang , yang telah menghasilkan akurasi data urut sebesar 89.51% dan untuk akurasi data random sebesar 92.79% (Ganidar,2015) Kemudian penelitian selanjutnya menggunakan Metode Learning Vector Quantization untuk membahas tentang identifikasi penyakit ADHD pada anak usia dini. Penelitian ini bertujuan untuk melakukan identifikasi pada anak usia dini yang mengalami penyakit Attention Deficit Hyperactivity Disorder (ADHD). Penulis menggunakan data latih sebanyak 80, 20 data uji, dengan menggunakan alpha minimum 0.0000000001, learning rate = 0.1 dan pengali learning rate = 0.1 dan dilakukan 9 epoch untuk mendadapatkan hasil maksimum. Penyakit ADHD pada penelitian ini diklasifikasikan kedalam 4 kelas yaitu Hyperactivity, Impulsif, Inattention dan

Fakultas Ilmu Komputer, Universitas Brawijaya

2948

Tidak ADHD. Hasil akurasi yang didapatkan pada penelitian ini 80% (Zainal, 2016). 2.2 Hipertensi Hipertensi adalah sebuah penyakit yang disebabkan oleh peningkatan abnormal tekanan darah, baik tekanan darah sistolik maupun tekanan darah diastolik, Secara umum seseorang dapat dikatakan hipertensi jika hasil dari pemeriksaan Tekanan darah sistolik/diastolic lebih dari 140/90 mmHg, Sedangkan normal nya adalah 120/80 mmHg. Penyakit Hipertensi di Indonesia terus mengalami kenaikan akibat dari perubahan gaya hidup, mengkonsumsi makanan tinggi lemak, kolesterol, penurunan aktivitas fisik, kenaikan kejadian stress dan lain lain (Herawati,2011). Penderita penyakit hipertensi pada umumnya tidak akan merasakan tandatanda seperti penyakit lain yang pada umumnya, dikarenakan hipertensi sulit untuk dideteksi. Penyakit ini umumnya dapat terdeteksi saat melakukan pemeriksaan yang mempunyai keterkaitan dengan hipertensi seperti stroke ataupun diabetes. Penyakit ini disebut silent killer. 2.2.1 Klasifikasi Hipertensi Untuk melakukan penelitian apakah seseorang menderita penyakit hipertensi harus mempunyai suatu standar nilai ukur tekanan darah. Terdapat berbagai macam klasifikasi akan hipertensi yang digunakan di masing masing negara, namun yang paling umum adalah menggunakan klasifikasi tekanan darah oleh JNC 7 ( The Seventh Report of The Joint National Committee on Preventation, Detection, Evaluation and Treatment of High Blood Pressure) pada klasifikasi JNC7 tekanan darah dibagi kedalam 4 tipe, 4 tipe tersebut ditetapkan tekanan darah sistolik ataupun diastolik seperti dapat dilihat pada Tabel 1. Tabel 1. Klasifikasi Tekanan Darah (Sumber : JNC 7) Klasifikasi Tekanan darah Normal

TDS (mmHg)

TDD(mmHg)

<120

Dan

<80

Prahipertensi

120-139

Atau

80-89

Hipertensi derajat 1

140-159

Atau

90-99

Hipertensi derajat 2

≥160

Atau

≥100

TDS= Tekanan Darah Sistolik TDS= Tekanan Darah Diastolik


Masih terdapat beberapa pengklasifikasian selain JNC 7 yang dapat dijadikan pedomana dalam penanganan hipertensi, yaitu klasifikasi Tekanan darah yang digunakan di cina CHH (Chinnese Hypertension Society) sedangkan yang digunakan di eropa ESH (European Society of Hypertension). Namun klasifikasi dengan menggunakan JNC 7 adalah klasifikasi yang paling sering digunakan. 2.2.2 Faktor Risiko Hipertensi Umumnya hipertensi tidak mempunyai penyebab yang spesifik. Hipertensi terjadi dikarenakan terjadi respon peningkatan pada cardiac ouput atau telah terjadi peningkatan pada tekanan perifer. Terdapat beberapa faktor dalam terjadinya hipertensi (Bianti, 2015) : (a) Genetik : faktor genetik dalam keluarga dapat menjadi penyebab seseorang dapat mempunyai risiko hipertensi (b) Obesitas : obesitas ataupun kelebihan berat badan merupakan faktor yang menentukan pada tekanan darah, indeks pada massa tubuh manusia dapat mempengaruhi risiko hipertensi (c) Jenis kelamin : laki laki lebih mempunyai risiko terkena hipertensi berbeda hal nya dengan perempuan, prevelensi perempuan terkena penyakit kardiovaskuler adalah saat sudah melewati masa menopause, karena perempuan dilindungi oleh estrogen dalam meningkatkan HDL (d) Stress: tekanan darah pada manusia dapat meningkat tekanan darah, pada saat stress Hormon adrenalin seseorang akan mengalami peningkatan dan dapat membuat jantung bekerja lebih keras karena memompa lebih cepat. (e) Kurang olahraga : kurangnya aktifitas yang dilakukan secara fisik dapat membuat risiko akan tekanan darah tinggi menjadi meningkat, dikarenakan orang yang tidak aktif membuat jantung akan bekerja lebih keras. (f) Pola asupan garam diet : konsumsi garam berlebih dapat meningkatkan konsentrasi natrium dalam tubuh sehingga dapat membuat volume darah meningkat dan membuat timbulnya hipertensi (g) Kebiasaan merokok : dalam hal ini perokok aktif mempunyai peluang terkenan hipertensi yang lebih tinggi dari non perokok


2949

2.3 Learning Vector Quantization Learning Vector Quantization (LVQ) yang diperkenalkan oleh Kohonen pada tahun 1982 merupakan jaringan single layer yang terdiri dari lapisan input dan output dimana di antara lapisan tersebut terdapat bobot (Azizi, 2013). LVQ merupakan metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi dimana lapisan ini secara otomatis dapat melakukan pembelajaran untuk pengelompokan input yang diberikan. Metode ini mampu membandingkan jarak sejumlah vektor-vektor dari beberapa data yang menunjukkan pada kelas yang sama dari vektorvektor tersebut (Hermanenda, 2013) Arsitektur jaringan LVQ dapat dilihat pada Gambar 1.

Gambar 1. Arsitektur Jaringan LVQ

Neuron masukan akan diarahkan ke neuron keluaran dengan perhitungan jarak ketetanggaan dalam lapisan kompetitif. Apabila jarak antara bobot awal dan bobot masukan berdekatan, maka akan diarahkan pada kelas yang sama, dan sebaliknya apabila jaraknya berjauhan maka akan diarahkan ke kelas yang berbeda. Langkah-langkah pembelajaran metode LVQ dapat dijelaskan sebagai berikut (Ganidar, 2015): 1. Inisialisasi nilai learning rate (alpha), pengali learning rate (dec alpha), alpha minimum, iterasi maksimum dan bobot awal 2. Inisialisasi iterasi awal = 0 3. Lakukan a sampai c bila iterasi < iterasi maksimum dan alpha > alpha minimum a. Lakukan penambahan nilai iterasi 𝑖𝑡𝑒𝑟𝑎𝑠𝑖 = 𝑖𝑡𝑒𝑟𝑎𝑠𝑖 + 1

(1)

b. Lakukan langkah i sampai iii untuk semua vector masukan pada 𝓍 indeks ke 𝑖 = 1 sampai 𝑛


i. Hitung jarak antara data dengan bobot awal setiap kelas dengan persamaan 𝑛

𝐷(𝑗) = √∑ 𝑖=1

(𝑥𝑖 − 𝑤𝑖𝑗 )

2

(2)

ii. Tentukan nilai minimal dari setiap jarak kelas sehingga menjadi keluaran 𝐶𝑗 iii. Perbarui bobot 𝑊𝑗 dengan rumus berikut: - Jika 𝑇 = 𝐶𝑗 , maka gunakan persamaan

2950

dihasilkan akan menjelaskan apakah sistem “Klasifikasi Risiko Hipertensi Metode Learning Vector Quantization (LVQ)” memiliki akurasi yang baik atau buruk. 3.

METODOLOGI PENELITIAN

Pada metodologi penelitian ini akan dibahas langkah-langkah yang digunakan dalam pembuatan sistem klasifikasi risiko hipertensi menggunakan metode Learning Vector Quantization. Tahapan tersebut dapat diketahui pada Gambar 2 berikut.

𝑤𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑗 (𝑙𝑎𝑚𝑎) + 𝛼(𝑥 − 𝑤𝑗 (𝑙𝑎𝑚𝑎)) (3)

- Jika 𝑇 ≠ 𝐶𝑗 , persamaan

maka

gunakan

𝑤𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑗 (𝑙𝑎𝑚𝑎) − 𝛼(𝑥 − 𝑤𝑗 (𝑙𝑎𝑚𝑎)) (4)

c. Kurangi alpha dengan persamaan 𝑎𝑙𝑝ℎ𝑎 (𝑏𝑎𝑟𝑢) = 𝑎𝑙𝑝ℎ𝑎(𝑙𝑎𝑚𝑎) × 𝑑𝑒𝑐 𝛼 (5)

Sedangkan proses pengujian menggunakan metode LVQ adalah sebagai berikut: 1. Inisialisasi bobot awal menggunakan bobot terakhir hasil pelatihan sebelumya. 2. Inisialisasi kondisi awal, benar = 0 3. Lakukan langkah 4 sampai 6 sebanyak jumlah data. 4. Hitung jarak dengan persamaan: 𝐷(𝑗) = √∑𝑛𝑖=1(𝑥𝑖 − 𝑤𝑖𝑛 )2

(6)

5. Tentukan jarak terdekat (Cj) dari perhitungan berdasarkan nilai mnimum dari seluruh jarak kelas yang ada (D(j)) 6. Melakukan pengecekan dengan ketentuan: - Jika Cj = T, maka 𝑏𝑒𝑛𝑎𝑟 = 𝑏𝑒𝑛𝑎𝑟 + 1

(7)

- Jika Cj ≠ T, maka 𝑏𝑒𝑛𝑎𝑟 = 0

(8)

7. Hitung akurasi dimana perbandingan antara jumlah data (hasil keluaran dari sistem yang dibut) benar dengan jumlah total data. Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑢𝑗𝑖

Gambar 2. Diagram alir metodologi penelitian

Berdasarkan dari Gambar 2, tahapan penelitian yang dilakukan adalah sebagai berikut: 1) Mencari dan mengumpulkan literaturliteratur yang terkait mengenai metodemetode yang akan digunakan dalam penelitian skripsi ini 2) Melakukan analisa terhadap kebutuhan sistem 3) Melakukan pengumpulan data 4) Melakukan perancangan sistem 5) Melakukan implementasi berdasarkan hasil analisa dan perancangan sistem yang telah dilakukan sebelumnya. 6) Melakukan pengujian terhadap sistem 7) Melakukan rangkuman dari hasil analisis yang didapat dari penelitian yang telah dilakukan 4.

𝑋 100%

(9)

Pada proses pengujian ini dapat dilihat tingkat akurasi sistem, dari tingkat akurasi yang Fakultas Ilmu Komputer, Universitas Brawijaya

PERANCANGAN

Perancangan sistem berisi tahapan-tahapan perancangan sistem klasifikasi risiko hipertensi menggunakan metode Learning Vector Quantization.


2951

4.1 Diagram Alir Proses pada sistem ini dengan memasukan input data berupa rekam medis yang terdiri dari 12 atribut berdasarkan dengan bobotnya, selanjutnya akan dilakukan proses LVQ untuk menghasilkan hasil klasifikasi, jika sudah didapatkan hasil klasifikasi sistem akan berhenti.

Gambar 4. Flowchart Pelatihan LVQ Start Insialisasi bobot hasil pelatihan dan parameter

Gambar 3. Diagram alir sistem

Foreach (select_jenis() as $nilai) Y

4.2 Flowchart Pelatihan LVQ Proses pelatihan dilakukan untuk membuat gambaran terkait proses perhitungan pada Learning Vector Quantization, pelatihan ini berguna untuk mendapatkan bobot yang akan dipakai pada proses pengujian, dapat dilihat pada gambar 4 proses pelathan pada LVQ. 4.3 Flowchar Pengujian LVQ Proses pelatihan dilakukan untuk membuat gambaran terkait proses pengujian pada Learning Vector Quantization yang dijabarkan pada gambar 5. Setelah dilakukan proses pengujian, akan dilakukan proses perhitungan akurasi yang dijelaskan pada gambar 6.


Nilai minimum D (j)

Hasil pengujian End

Gambar 5. Flowchart Pengujian LVQ

N

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Start Insialisasi parameter $akurasi

Akurasi = 0

foreach ($_SESSION['cj'] as $index_data_uji => $data) Y N T == Cj

N

2952

rate, jumlah data latih sebanyak 60% data, alpha minimum 0.000000001 (1E-09) dan iterasi maksimum 9 yang didapatkan dari hasil kombinasi pelatihan metode LVQ tebaik. Hasil pengujian dapat dilihat pada Gambar 7 berikut ini.

Y Akurasi = 1

Hasil akurasi End

Gambar 6. Flowchart menghitung akurasi

5. PENGUJIAN DAN ANALISIS Pengujian yang dilakukan adalah pengujian akurasi sistem menggunakan beberapa parameter, yaitu learning rate, pengali learning rate, iterasi maksimum, jumlah data latih yang digunakan, alpha minimum, urutan data latih serta jumlah data dan data latih yang digunakan. Parameter awal yang digunakan dalam pelatihan adalah hasil dari pelatihan dengan akurasi terbaik yang sudah dilakukan sebelumnya. Nilai dari parameter-parameter tersebut adalah: 1. Learning rate = 0,1 2. Pengali learning rate = 0,1 3. Iterasi maksimum = 9 4. Alpha minimum = 0,000000001 5. Jumlah data latih = 60 % Selanjutnya dilakukan percobaan terhadap masing-masing kriteria untuk mengetahui pengaruh setiap kriteria terhadap akurasi dari sistem yang telah diimplementasikan. 5.1 Pengujian Pengaruh Learning Rate Pengujian ini bertujuan untuk mengetahui pengaruh perubahan learning rate terhadap hasil akurasi. Range nilai learning rate yang diuji adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 dan 1. Range nilai learning rate yang diperbolehkan adalah antara 0 sampai dengan 1, apabila nilai yang digunakan terlalu kecil hasil yang diperoleh akan terlihat tidak signifikan untuk dapat diamati perubahannya. Pengujian ini untuk mendapatkan nilai learning rate dengan hasil akurasi terbaik. Skenario pengujian ini menggunakan nilai 0.1 untuk pengali learning Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 7. Grafik hasil pengujian nilai learning rate

Dari Gambar 7 dapat terlihat bahwa nilai learning rate terendah dengan akurasi tertinggi berada pada angka 0,1. Sehingga nilai learning rate rekomendasi dari skenario pengujian ini adalah 0,1. 5.2 Pengujian Pengaruh Pengali Learning Rate Pengujian kedua ini bertujuan untuk mengetahui pengaruh perubahan pengali learning rate terhadap hasil akurasi. Range nilai pengali learning rate yang diuji adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 dan 1. Pengujian ini untuk mendapatkan nilai pengaruh learning rate dengan hasil akurasi terbaik. Skenario pengujian ini menggunakan nilai 0.1 untuk learning rate yang didapat dari skenario pengujian sebelumnya, jumlah data latih sebanyak 60% data, nilai alpha minimum sesuai nilai learning rate dan pengali learning rate yang digunakan serta iterasi maksimum 9 yang didapatkan dari hasil pelatihan. Hasil pengujian dapat dilihat pada Gambar 8.


2953

5.4 Pengujian Pengaruh Jumlah Data Latih

Gambar 8. Grafik hasil pengujian nilai pengali learning rate

Dari Gambar 8 dapat terlihat bahwa nilai pengali learning rate terkecil dengan akurasi tertinggi berada pada angka 0,2. Sehingga nilai pengali learning rate rekomendasi dari skenario pengujian ini adalah 0,2.

Pengujian keempat ini bertujuan untuk mengetahui pengaruh perubahan persentase jumlah data latih terhadap hasil akurasi yang digunakan. Persentase jumlah data latih yang digunakan mulai dari 10% hingga 100% dari total jumlah data latih yang digunakan yakni sebanyak 80 data. Persentase jumlah data latih yang digunakan meliputi 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, dan 100%. Skenario yang digunakan pada pengujian ini adalah nilai learning rate 0.1, pengali learning rate 0.2, alpha minimum 0.00000001 dan iterasi maksimum 6. Hasil Akurasi yang dihasilkan pada setiap persentase jumlah data latih yang digunakanpun bervariasi, dan hasil pengujian pengaruh jumlah data latih terhadap hasil akurasi tersebut dapat dilihat pada Gambar 10.

5.3 Pengujian Pengaruh Iterasi Maksimum Pengujian ketiga ini bertujuan untuk mengetahui pengaruh iterasi maksimum terhadap hasil akurasi. Iterasi yang digunakan mulai dari 3 sampai dengan 18 yakni 3, 6, 9, 12, 15 dan 18. Skenario yang digunakan pada pengujian ini adalah nilai learning rate 0.1, pengali learning rate 0.2, jumlah data latih sebanyak 50% data, dan alpha minimum 0.000000001. Hasil pengujian dapat dilihat pada Gambar 9.

Gambar 10. Grafik hasil pengujian jumlah data latih

Dari Gambar 10 dapat terlihat bahwa jumlah data paling sedikit dengan nilai akurasi tertnggi berada pada jumlah data 50%. Sehingga jumlah data rekomendasi dari skenario ini adalah 50% dari 80 data. 5.5 Pengujian Pengaruh Alpha Minimum

Gambar 9. Grafik hasil pengujian jumlah iterasi maksimum

Dari Gambar 9 dapat terlihat bahwa jumlah iterasi maksimum terkecil dengan akurasi tertinggi berada pada iterasi ke 6. Sehingga iterasi maksimum yang direkomendasikan adalah sebanyak 6 iterasi.


Pengujian kelima ini bertujuan untuk mengetahui pengaruh perubahan alpha minimum terhadap hasil akurasi. Nilai alpha minimum yang diuji adalah 0.01, 0.001, 0.0001, 0.00001, 0.000001, dan 0.0000001, 0.00000001, 0.000000001. Pengujian ini untuk mendapatkan nilai alpha minimum dengan hasil akurasi terbaik. Skenario pengujian ini menggunakan nilai 0.1 untuk learning rate, pengali learning rate 0.2, jumlah data latih sebanyak 50% data dan iterasi maksimum 6 yang didapatkan dari skenario sebelumnya. Hasil pengujian dapat dilihat pada Gambar 11


2954

Gambar 12. Grafik hasil pengujian K-Fold Cross Validation

Dari gambar 12 dapat terlihat dengan menggunakan k-fold cross validation hasil akurasi yang didapat dari tiap fold, menghasilkan selisih akurasi yang tidak begitu jauh dengan hasil rata-rata akurasi sebesar 93.841%. 6. Gambar 11. Grafik hasil pengujian nilai alpha minimum

Dari Gambar 11 dapat terlihat bahwa nilai alpha minimum dengan akurasi tertinggi berada pada angka 0,001. Nilai tersebut terdapat pada iterasi maksimum 6. Sehingga nilai alpha minimum rekomendasi dari skenario pengujian ini adalah 0,001 5.6 Pengujian Cross Validation Pengujian keenam ini bertujuan untuk mengetahui pengaruh akurasi dengan perubahan data training dan data testing menggunakan cross validation. Pengujian ini menggunakan kfold cross validation. Hasil pengujian dapat dilihat pada gambar 12 dan tabel dibawah ini. Tabel 2. Hasil pengujian Cross Validation Fold

Data Training

Data Testing

Akurasi

1

48

52

96.153%

2

48

52

98.076%

3

48

52

90.384%

4

48

52

90.384%

5

48

52

92.307%

6

48

52

94.230%

7

48

52

96.153%

8

48

52

92.307%

9

48

52

96.153%

48

52

92.307%

10

Rata-rata akurasi

93.841%

PENUTUP

Berdasarkan penelitian yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu: 1. Proses awal yang harus dilakukan untuk membuat sistem “Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)” adalah dengan mengumpulkan data yang dibutuhkan sebagai acuan dalam implementasi yang dilakukan dari pemeriksaan laboratorium dan bobot masing-masing yang nantinya dilakukan proses menggunakan metode LVQ sehingga dapat mengklasifikasikan jenis Hipertensi. Bobot yang digunakan adalah hasil dari pemeriksaan laboratorium. 2. Berdasarkan 6 pengujian yang telah dilakukan, sistem menghasilkan rekomendasi nilai 0.1 untuk learning rate, nilai 0.2 untuk pengali learning rate, jumlah data latih sebanyak 50%, nilai maksimum epoch sebanyak 6, nilai sminimum alpha 0.001. Dari nilai-nilai tersebut rata-rata hasil akurasi yang didapatkan sebesar 93.841%. DAFTAR PUSTAKA Akvalentin, N., K., 2015. Klasifikasi Risiko Hipertensi Menggunakan Fuzzy Tsukamoto Dan Algoritma Genetika. S1. Malang: Universitas Brawijaya. Ari, M. & Rika, A., 2016. Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree. Jurnal Informatika Unnes, Vol. 3, No. 1, Meri 2016. Azizi, M. F. Q., 2013. Perbandingan Antara Metode Backpropagation Dengan Metode Learning Vector Quantization (LVQ) Pada Pengenalan Citra Barcode. S1. Universitas Negeri Semarang. Bianti, 2015. Risk Factor Hypertension. S1 . Universitas Negeri Lampung



Ganidar, F.R., 2015. Pengklasifikasian Mutu Susu Sapi Menggunakan Metode Learning Vector Quantization (LVQ) (Studi Kasus: UPT Laboratorium Kesehatan Hewan Malang). Universitas Brawijaya Fausett, L. 1994. Fundamentals of Neural Network: Architectures, Algorithms, and Applications. Prentice-Hall,Inc: New Jersey Herawati, Wiwi Sartika., 2011. Terkontrolnya Tekanan Darah Penderita Hipertensi Berdasarkan Pola Diet dan Kebiasaan Olah Raga di Padang Tahun 2011. Poltekkes Kemkes Padang. Hermanenda, G.A., Cholissodin, I., & Supianto, A.A., 2013. Pengklasifikasian Kualitas Minuman Anggur Menggunakan Algoritma Learning Vector Quantization Berbasis Asosiasi. [pdf] Tersedia di [Diakses tanggal 9 Februari 2012] Nyoman Wisnu, W., 2016. Klasifikasi Penyakit Hipertensi Menggunakan Algoritma Naïve Bayes. S1. Universitas Sanata Dharma. M.Yogiantoro. Hipertensi Esensial. JakartaDepartemen Ilmu Penyakit Dalam FKUI; 200p: 599-601. Pramudiono, I., 2003. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. Kuliah Umum IlmuKomputer.Com Puspitaningrum, D., 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: CV Andi Offset. Taufik . K , Abdul .S , 2013. Klasifikasi Penyakit Hipertensi Menggunakan Fuzzy Inferency System Dengan Menggunakan Metode Tsukamoto. S1. Universitas Dian Nuswantoro Wibowo, A., Wirawan, & Suprapto, Y.K., 2014. Prosiding Seminar Nasional Sains dan Pendidikan Sains IX, Fakultas Sains dan Matematika, UKSW, 21 Juni 2014, Volume 5 No 1 : 649 – 655: Verifikasi Dan Identifikasi Tandatangan Offline Menggunakan Wafelet dan Learning Vector Quantization. [pdf]. Tersedia di: http://repository.uksw.edu/bitstream/12345 6789/4595/2/PROS_A%20Wi Fakultas Ilmu Komputer, Universitas Brawijaya

2955

Zainal, 2016. Pendeteksi Jenis Attention Defict Hyperactivity Disorder (ADHD) Pada Anak Usia Dini Menggunakan Metode Learning Vector Quantization (LVQ). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 3, pp. 194200.

Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)

Recommend Documents