HADI EKO STYONO (2018) PENERAPAN JARINGAN SYARAF TIRUAN UNTUK PENDEKATAN DIAGNOSA JENIS PENYAKIT GINJAL DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) 3. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_2018592TIF.pdf Download (358kB) | Preview
Preview	Text 2. PENGESAHAN_2018592TIF.pdf Download (472kB) | Preview
Preview	Text 3. ABSTRAK_2018592TIF.pdf Download (178kB) | Preview
Preview	Text 4. KATA PENGANTAR_2018592TIF.pdf Download (209kB) | Preview
Preview	Text 5. DAFTAR ISI_2018592TIF.pdf Download (279kB) | Preview
Preview	Text 6. BAB I_2018592TIF.pdf Download (222kB) | Preview
Preview	Text 7. BAB II_2018592TIF.pdf Download (855kB) | Preview
Preview	Text 8. BAB III_2018592TIF.pdf Download (319kB) | Preview
Preview	Text 9. BAB IV_2018592TIF.pdf Download (2MB) | Preview
	Text 10. BAB V_2018592TIF.pdf Restricted to Repository staff only Download (2MB)
Preview	Text 11. BAB VI_2018592TIF.pdf Download (169kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_2018592TIF.pdf Download (178kB) | Preview

Abstract

Jumlah penderita pada kasus penyakit ginjal yang melakukan hemodialisis semakin meningkat setiap tahunnya. Hal ini disebabkan oleh terbatasnya pengetahuan dan finansial dalam melakukan pemeriksaan secara intensif kepada ahli ataupun pakar juga keterbatasan fasilitas tenaga kesehatan serta teknologi yang penangananya memakan waktu yang cukup lama dengan berbagai macam uji untuk memutusan jenis penyakit ginjal. Dalam penelitian ini penulis membangun sebuah sistem pendekatan diagnosa penyakit ginjal menggunakan metode pembelajaran jaringan syaraf tiruan Learning Vektor Quantization (LVQ) 3. Masukan yang digunakan berupa gejala penyakit ginjal yang terdiri dari 28 gejala dan keluaran berupa kelas penyakit ginjal Batu Saluran Kemih (Batu Ginjal), Gagal Ginjal Akut, Radang Ginjal (Syndrome Nefritis), Infeksi Saluran Kemih, dan Kanker/Tumor Ginjal. Pengujian dilakukan menggunakan perbandingan jumlah data latih dan data uji 80:20 dan 90:10 dari 103 data penyakit ginjal. Parameter yang digunkan yaitu Learning-rate(α) 0.0125, 0.02, 0.025, 0.03, 0.055, 0.0775, 0.1, pengurangan learning rate 0.0025 minimal learning rate 0.01 dengan nilai window(ε) 0.2, 0.3, 0.4 dan nilai epsilon(m) 0.2, 0.3, 0.4. Uji seluruh varisasi parameter pembelajaran dengan jumlah rata rata akurasi sebesar 98,48%. Sehingga dengan parameter window dan epsilon pada metode LVQ 3 memberikan pengaruh positif dalam mengenali pola penyakit ginjal. Kata kunci – Epsilon, Jaringan Syaraf tiruan, Learning Vektor Quantization(LVQ) 3, Penyakit Ginjal, Window.

Actions (login required)

View Item