2.04-1
Seminar Nasional Teknologi Informasi dan Multimedia 2014 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 8 Februari 2014
Penelitian kali ini merupakan pengembangan dari diberi input sejumlah dimensi node/neuron input. Setelah
penelitian sebelumya, yang pernah dilakukan oleh Fajar input diterima jaringan, maka jaringan mulai
Rohman Hariri, yang berjudul Implementasi Learning melakukan perhitungan jarak vektor yang didapatkan
dengan menjumlah selisih/jarak antara vektor input
Vector Quantization untuk diagnose penyakit Diabetess
dengan vektor bobot menggunakan Euclidean
Mellitus, dalam penelitian kali ini, akan dibangun distance. Secara matematis Ecluidean Distance dapat
aplikasi Sistem Pendukung Keputusannya yang dirumuskan [5] :
digunakan oleh laboran untuk membantu mendiagnosa
= ( ( ) ij ( )) .(1)
pasien Diabetess Mellitus
dimana : dj2=distance
2.1 Pengertian Sistem Pendukung Keputusan Xt= Node data input
Sistem Pendukung Keputusan (SPK), adalah suatu Wij=Bobot ke-ij
sistem informasi berbasis komputer yang menghasilkan
Setelah diketahui tiap-tiap jarak antara nodeoutput
berbagai alternatif keputusan untuk membantu
dengan input maka dilakukan perhitungan jumlah jarak
manajemen dalam menangani berbagai permasalahan selisih minimum. Dimana node yang terpilih (winner)
yang terstruktur ataupun tidak terstruktur dengan berjarak minimum akan di update bobot, update bobot
menggunakan data dan model . Tujuan adanya SPK, node winner yang dirumuskan sebagai berikut [6] :
untuk mendukung pengambil keputusan memilih
alternatif hasil pengolahan informasi dengan model- Jika sesuai target memakai rumus:
model pengambil keputusan serta untuk menyelesaikan ij ( + 1) = ij ( ) + ( ).( ( )
masalah yang bersifat semi terstruktur dan tidak ij ( )), ..(2)
terstruktur. dan jika tidak
ij ( + 1) = ij (
) ( ).( ( )
SPK dirancang untuk membantu pengambil keputusan
ij ( )), ..(3)
dalam memecahkan masalah. SPK dirancang sedemikian
0< ( )<1
rupa sehingga dapat digunakan atau dioperasikan dengan Dimana :
mudah oleh orang yang tidak memiliki dasar x = Input pixel
kemampuan pengoperasian komputer yang tinggi dan w = bobot
bersifat alternatif, serta SPK dirancang dengan Ne = Nilai neighborhood
menekankan pada aspek kemampuan adaptasi yang t = waktu
tinggi. i = index node input
j = index node output
= alpha learning rate
2.2 Metode Klasifikasi Learning Vector Quantization (t) merupakan alpha/learning rate yaitu faktor
(LVQ) pengali pada perubahan bobot yang berubah terhadap
Jaringan saraf tiruan Learning Vector Quantization perubahan error. Perubahan alpha ini sesuai dengan
(LVQ) telah banyak dimanfaatkan untuk pengenalan banyaknya input yang masuk. Faktor pengali
pola baik berupa citra, suara, dan lain-lain. Jaringan LVQ alpha/learningrate ini akan selalu berkurang bila tidak
sering pula digunakan untuk ekstraksi ciri (feature) pada ada perubahan error. Dalam penelitian ini
proses awal pengenalan pola. Metode Jaringan Syaraf alphalearningrate akan berubah berkurang secara
LVQ termasuk dengan Supervised Learning dalam geometris sebagai berikut[7] :
penentuan bobot / model pembelajarannya, dimana pada
metode LVQ ditentukan hasil seperti apa selama proses
pembelajaran. Selama proses pembelajaran nilai bobot ( + 1) = 0.1 ( )..(4)
disusun dalam suatu range tertentu tergantung pada nilai
input yang diberikan. Tujuan pembelajaran ini adalah
pengelompokan unit-unit yang hampir sama dalam satu Secara garis besar algoritma Learning Vector
area tertentu. Pembelajaran seperti ini sangat cocok Quantization (LVQ)sebagai berikut:
untuk pengelompokan (klasifikasi) pola. 1. Siapkan data learning, x (m,n) dan target T (1,n).
Prinsip kerja dari algoritma LVQ adalah 2. Inisialisasi bobot (W), maksimum epoh (Max Epoh),
pengurangan node-node tetangganya (neighbour)[4], error minimum yang diharapkan (Eps), learning rate ().
sehingga pada akhirnya hanya ada satu node output Max Epoh dan learning rate digunakan untuk
yang terpilih (winner node). Pertama kali yang menentukan batas ambang komputasi
dilakukan adalah melakukan inisialisasi bobot untuk 3. Melakukan proses sebagai berikut selama
tiap-tiap class. Setelah diberikan bobot, maka jaringan (epoh<makEpoh) atau (>eps).
2.04-2
Seminar Nasional Teknologi Informasi dan Multimedia 2014 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 8 Februari 2014
3. Metode Penelitian
Dalam penelitian ini dilakukan pengumpulan data-data
pasien diabetes mellitus yang diperoleh dari hasil data
laboratorium dari pasien periode tahun 2010 RSUD
Sidoarjo. Yang di dapatkan dari peneliti penelitian
sebelumnya.
2.04-3
Seminar Nasional Teknologi Informasi dan Multimedia 2014 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 8 Februari 2014
b. Activity Diagram
Gambar 2. Gambaran Umum Sistem Untuk menjelaskan lebih detail usecase diagram
pada pembahasan sebelumnya, activity diagram
menggambarkan secara detail alur kerja (work flow)
dari setiap usecase yang telah dibahas sebelumnya.
Berikut Activity Diagram Sistem
Mulai
Login
Validasi Login
Hak Akses
Selesai
Mulai
Managemen LVQ
Gambar 4. Rancangan Basis Data
Selesai
2.04-4
Seminar Nasional Teknologi Informasi dan Multimedia 2014 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 8 Februari 2014
Mulai
Managemen data
pasien
Selesai
Managemen data
pemeriksaan
Gambar 13. Sequance Diagram Manajemen Data
Pemeriksaan
Selesai
2.04-5
Seminar Nasional Teknologi Informasi dan Multimedia 2014 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 8 Februari 2014
Biodata Penulis
2.04-6