Anda di halaman 1dari 17

Fajar Rohman Hariri ojecxz@gmail.

com Universitas Nusantara PGRI Kediri

Latar Belakang Perumusan Masalah Tujuan dan Manfaat

Indonesia peringkat 4 dunia 2030 -> 21,3 jt Keterlambatan penegakan DM Alat diagnosa DM LVQ menggunakan metode LVQ?

Batasan Masalah
Metode Penelitian Perancangan Sistem Ujicoba Analisis Kesimpulan dan Saran

Tujuan : : Manfaat Membuat suatu aplikasi alat LVQ = ? bantu medis Bisa mengetahui hasil diagnosa Menggunakan lebih cepat. LVQ ? dengan metode pasien Learningalatdan Quantization. Lebih cepat bantu medis Sebagai Vector akurat. Ada 8 variabel, yaitu kadar dalam penegakan diagnosis glukosa darah puasa, kadar Diabetes Mellitus. glukosa plasma puasa, kadar glukosa plasma tidur, kadar insulin, kadar HbA1c, kadar kolesterol HDL, kadar trigliserida, dan umur. Data - data diagnosa pasien dikelompokkan menjadi 3 class

No
1

JuduL PenelitiaN
Sistem Pendukung Keputusan Diagnosa Penyakit Diabetes Melitus Menggunakan Metode Sugeno Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tanda Tangan

Oleh / Tahun
Mariani Valentina Tampubolon / 2010 Difla Yustisia Qurani / 2010

Akurasi
Sama dengan manual ?? 98%

Police Number Identification Using Artificial Neural Network (Learning Vector Quantization)
Identifikasi Tekstur Citra Bubuk Susu Menggunakan Alihragam Gelombangsingkat Untuk Mendeteksi Keaslian Produk Susu Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Angka

Eko Sri Wahyono / 2009


Supatman / 2008

72,5%

Susu Asli 93,94% Susu Campuran 93,10% Susu lain 84,62%

Riyanto Sigit , Arakawa 87,7% Shinji , Shibata Hisashi / 2001

Start

Tetapkan Data Learning dan Bobot awal (W)

Inisialisai MaxEpoh , Eps, dan Learning rate (alpha)

(Epoh<max) or (alpha>eps) Y

i=1

i<n

Epoh=epoh+1

C=||X-Wj|| T

Target=C

W(baru)=W(lama)+ (x-w(lama))

W(baru)=W(lama)(x-w(lama))

Learning rate - i++

Selesai

PELATIHAN

PENGENALAN

Data Learning Bobot LVQ

Data Inputan

Pengenalan Pelatihan LVQ

Hasil Klasifikasi

Learning Vector Quantization

MULAI

Input Data Pasien

Bobot

HasiL Diagnosa Pasien

SELESAI

Start

Tetapkan Data Learning (Data diagnosa pasien dan targetnya), dan Bobot awal (W)

Inisialisai MaxEpoh=200 , Eps=0, dan Learning rate (alpha)=0,01

(Epoh<max) or (alpha>eps) Y

i=1

i<n

Epoh=epoh+1

C=||X-Wj|| T

Target=C

W(baru)=W(lama)+ (x-w(lama))

W(baru)=W(lama)(x-w(lama))

Learning rate - i++

Selesai

<<include>> Managemen Data User <<include>> <<include>> <<extend>> Admin Managemen Metode LVQ <<include>> <<extend>> Managemen Data Pasien Laboran <<extend>> Mendiagnosa Pasien Mendapatkan Bobot <<include>> LogIn

Managemen Data Pemeriksaan

Learning rate 0,01

Akurasi Pengenalan 68%

0,02
0,03 0,04 0,05 0,06

69%
69% 69% 69% 69%

0,07
0,08 0,09 0,1

69%
69% 69% 69%

GDP
159 157

GPP
144 135

GPT
135 80

HbA1c
1 2

HDL
76 22

Trig
146 170

Ins
2 7

Umur
32 51

Indek
1 2

%
Learning rate
0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1

%o
Akurasi Pengenalan 86% 86% 86% 86% 86% 86% 86% 86% 86% 86%

68%-69%

86%

Jumlah Data Pelatihan


Jumlah Data Learning 300 200 100 DM Type 1 98 64 33 DM Type 2 96 64 33 Negatif DM 106 72 34 Akurasi

Akurasi Ujicoba Data Learning 25%

Normal
55 % (165/300) 74,5% (149/200) 86% (86/100)

Swap
81% (81/100) 64% (128/200) 57% (171/300)

86 % 74,5 %

Data Learning 50%

Data Learning 75% 55 %

Tabel Akurasi untuk jumlah data learning yang berbeda

Tabel Akurasi untuk swap data learning dan ujicoba

Data Learning 100

Data Ujicoba 100

Akurasi 59 %

100
100 200 200 300

200
300 100 200 100

58,5 %
55% 76 74,5 % 86%

Tabel Akurasi untuk jumlah data learning dan ujicoba yang berbeda

Jumlah data yang berhasil dekenali untuk class No Learning rate Akurasi Pengenalan No Learning rate Akurasi Pengenalan Negatif Diabetes (34) 26 (76,4%) DM Type 1 (33) 29 (87,8%) DM Type 2 (33) 31 (93,3%)

1 2 3 4 5 6 7 8 9 10

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

86% 86% 46% 28% 28% 28% 28% 28% 28% 28%

1 2 3 4 5 6 7 8 9 10

0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,3

86% 86% 86% 86% 86% 45% 45% 45% 34% 45%