JULIAANNISA (2018) PENERAPAN JARINGAN SYARAF TIRUAN METODE LEARNING VECTOR QUANTIZATION(LVQ)2.1 UNTUK DETEKSI TUBER CULOSIS(TBC)PARU. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_2018177TIF.pdf Download (537kB) | Preview
Preview	Text 2. PENGESAHAN_2018177TIF.pdf Download (908kB) | Preview
Preview	Text 3. ABSTRAK_2018177TIF.pdf Download (184kB) | Preview
Preview	Text 4. KATA PENGANTAR_2018177TIF.pdf Download (209kB) | Preview
Preview	Text 5. DAFTAR ISI_2018177TIF.pdf Download (282kB) | Preview
Preview	Text 6. BAB I_2018177TIF.pdf Download (200kB) | Preview
Preview	Text 7. BAB II_2018177TIF.pdf Download (831kB) | Preview
Preview	Text 8. BAB III_2018177TIF.pdf Download (206kB) | Preview
Preview	Text 9. BAB IV_2018177TIF.pdf Download (1MB) | Preview
	Text 10. BAB V_2018177TIF.pdf Restricted to Repository staff only Download (575kB)
Preview	Text 11. BAB VI_2018177TIF.pdf Download (166kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_2018177TIF.pdf Download (176kB) | Preview

Abstract

TBC Paru merupakan penyakit mematikan terbesar nomor 2 di Indonesia. Menteri kesehatan menyebutkan bahwa Indonesia saat ini berada pada peringkat kedua terbesar penderita TBC sedunia. Penyakit ini dapat menular dengan sangat cepat, dan dapat menyerang siapa saja, oleh karena itu dalam penelitian ini penulis membangun sebuah sistem untuk mendeteksi penyakit TBC Paru dengan menggunakan jaringan syaraf tiruan metode Learning Vector Quantization(LVQ)2.1 karena hasil diagnosa yang akurat akan membantu dalam menekan angka penularan penyakit ini. Data input terdiri dari data pasien dan gejala pasien yang diperoleh dari RSUD Petala Bumi dengan data pasien sebanyak 200 data dan 18 gejala penyakit. Output terdiri dari target diagnosa pasienya itu TBC Paru negatif, TBC Paru ringan,dan TBC Paru berat. Dari 200 data penyakit TBC Paru, pembagian data latih dan data uji adalah 90:10 dan 70:30. Nilai parameter yang digunakan adalah learning rate(α)=0.02, 0.04, 0.06, 0.08, 0.1, pengurangan learningrate(α)=0.005 minimal learningrate(α)=0.01 dan nilai window(ε)=0.03, 0.2, 0.4. Perbandingan 90:10 menghasilkan akurasi 95% dimana dari 180 data latih dan 20 data uji hanya terdapat 1 kesalahan sedangkan perbandingan 70:30 menghasilkan akurasi 95% dimana dari 140 data latih dan 60 data uji terdapat 3 kesalahan. Berdasarkan hasil penelitian yang telah dilakukan metode Learning Vector Quantization 2.1 mampu mengenali pola dengan sangat baik dengan rata-rata persentase akurasi mencapai95%. Dengan demikian metode LVQ 2.1 dapat diterapkan dan pola data gejala dapat dikenali untuk deteksi TBC Paru. Kata Kunci:TBC Paru, Jaringan Syaraf Tiruan, Learning Vector Quantization 2.1.

Actions (login required)

View Item