Optimasi Vektor Bobot Pada Learning Vector Quantization Dengan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke
| Main Author: | Rifqi, Muhammad |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2016
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/147071/1/fileskripsifix.pdf http://repository.ub.ac.id/147071/2/Jurnal.pdf http://repository.ub.ac.id/147071/ |
Daftar Isi:
- Otak manusia merupakan pusat pengaturan yang terdiri atas jutaan sel saraf atau neuron. Otak mengatur dan mengoordinasi sebagian besar, gerakan, perilaku dan fungsi tubuh seperti detak jantung, tekanan darah, keseimbangan cairan tubuh dan suhu tubuh, maka jika terjadi gangguan akan memberikan dampak yang mematikan. Stroke atau gangguan peredaran darah otak merupakan sebuah penyakit yang menyebabkan gangguan yang terjadi pada otak. Stroke dapat di tandai pada saat hilangnya fungsi bagian tubuh tertentu (kelumpuhan), hal tersebut disebabkan terjadinya gangguan pada aliran darah otak. Stroke merupakan penyakit yang perlu ditangani secara cepat dan tepat. Penyakit stroke pada prinsipnya bisa dicegah, akan tetapi pada tahap deteksi dini masih sulit dan membutuhkan waktu yang lama. Oleh karena itu, dibutuhkan sistem cerdas yang mampu melakukan klasifikasi secara tepat serta mempercepat dan memudahkan pendeteksian awal penyakit stroke. Learning Vector Quantization (LVQ) merupakan metode klasifikasi yang memiliki struktur yang simpel dan pembelajaran yang cepat serta dapat diandalkan untuk klasifikasi tingkat resiko penyakit stroke, namun jika vektor bobot tidak tepat maka hasil klasifikasi yang didapatkan bisa jadi tidak optimal karena terjebak pada optimum lokal. Algoritma Genetika (GA) dapat diterapkan secara luas dengan metode kecerdasan buatan lain. Pada penelitian ini membahas vektor bobot pada LVQ yang digunakan untuk klasifikasi tingkat resiko penyakit stroke yang akan dioptimasi dengan menggunakan GA agar mendapatkan vektor bobot yang paling optimal dalam melakukan klasifikasi. Penelitian ini dilakukan menggunakan data pasien sebanyak 200 dengan 5 fitur dan 3 kategori atau kelas yang menunjukkan metode yang diusulkan mampu melakukan klasifikasi dengan hasil pengujian akurasi yang baik. Hasil pengujian akurasi pada sistem optimasi vektor bobot pada LVQ dengan menggunakan GA untuk klasifikasi tingkat resiko penyakit stroke didapatkan akurasi terbaik sebesar 93%.