Prediksi Jenis Cacing Nematoda Usus Yang Menginfeksi Siswa Dengan Menggunakan Metoda LVQ
Abstract
Abstrak-Pada saat ini, Jaringan Syaraf Tiruan (JST) telah banyak menjadi objek penelitian yang menarik, karena penerapannya sangat potensial dalam berbagai bidang sains, salah satu penerapannya didalam memprediksi penyakit. Penelitian ini bertujuan untuk mencoba menerapkan metode Learning vector Quantization (LVQ) dalam memprediksi jenis cacing Nematoda usus yang menginfeksi siswa dari nilai akurasi yang dihasilkan, karena beberapa penelitian menunjukkan bahwa anak usia sekolah dasar merupakan golongan yang sering terkena infeksi cacing usus. Dari hasil pelatihan dan pengujian menggunakan metode Learning Vector Quantization (LVQ) diketahui bahwa tingkat akurasi sesuai dengan hasil sebenarnya dan nilainya konstan, proses cepat hanya membutuhkan waktu paling lama 3 menit dan memberikan hasil yang optimal yaitu tingkat akurasi data latih sebesar 78,6885%, serta 80% untuk data uji. Hal ini menunjukkan bahwa jaringan yang terbentuk sudah cukup baik, akurat dan cepat dalam melakukan pembelajaran terhadap data input yang diberikan dalam memprediksi jenis cacing Nematoda Usus yang menginfeksi siswa.
Kata kunci : Cacing Nematoda Usus, Jaringan Syaraf Tiruan, Learning Vector Quantization
Abstract- At this time, an Artificial Neural Network (ANN) has been an interesting objects of research, because of application has potential in various fields of science, one application was used to predict diseases. This study aims to try to implement methods Learning vector quantization (LVQ) in predicting the type of Nematode worms that infect the intestines of students from the resulting accuracy value, because some studies show that children of primary school age are often exposed to a class of intestinal worm infections. From the results of the training and testing using methods Learning Vector Quantization (LVQ) note that the level of accuracy in accordance with the actual results and the value of the constant, quick process only takes a maximum of 3 minutes and provide optimal results is the level of training data accuracy of 78.6885%, and 80% for the test data. This indicates that the network is formed is quite good, accurate and fast in doing the learning on the input data given in predicting Intestinal Nematode worm species that infect students.
Keywords: Intestinal Netamoda Worms, Artificial Neural Network, Learning Vector Quantization
Downloads
References
[2] Pipit Hesti. Hubungan antara penyakit cacingan dengan status gizi pada anak Sekolah Dasar (SD) di Sekolah Dasar Al Mustofa Surabaya.
[3] Depkes, RI.2006. Pedoman Pengendalian Kecacingan. Depkes RI. Jakarta.
[4] Atika Ghassani. Hubungan Infeksi Cacing Usus STH Dengan Kebiasaan Bermain Tanah Pada SDN 09 Pagi Paseban Tahun 2010.Jakarta, Universitas Indonesia; 2011. [5] B Siregar. Beberapa Faktor Yang Berhubungan Dengan Infeksi Kecacingan Yang Ditularkan Melalui Tanah Pada Murid SD N 06 Kecamatan Pinggir Kabupaten Bengkalis. Universitas Sumatra Utara;2008.
[6] Chen Li Liu,, X.. and Fu, X. Globally Exponential Stability of Impulsive Neural Networks with Given Convergence Rate”. Hindawi Publishing Corporation Advances in Artificial Neural Systems (Hindawi),2013;Volume 2013, Article ID 908602, 5 pages
[7] Prionald Kornelius Effendi. Penerapan Backpropagation Untuk Peramalan Harga Kurs Valuta Asing (USD)”. Universitas Putra Indonesia “YPTK” Padang;2013.
[8] Agus Nurkhozin, Irawan, M. I. and Mukhlas, I. Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization. Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta;2011.
[9] Umer, M.. F. and Khiyal. Classification of Textual Document Using Learning Vector Quantization. Information Technology Journal 6(1), Department of Computer Science, Internasional Islamic University, Islamabad, Pakistan;2007. ISSN 1812-5638, 154-159
[10] Anike, M., Sutoyo, dan Ernawati. Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kasus: Regional X Cabang Palu). Seminar Nasional Teknologi Informasi dan Komunikasi (SENTIKA);2012.ISSN: 2089-9815. 209-216.
[11] Mubiru, J. Using Artificial Neural Networks to Predict Direct Solar Irradiation. Hindawi Publishing Corporation Advances in Artificial Neural Systems. Volume 2011, Article ID 142054, 6 pages.
[12] Siang, J. J. Jaringan Syaraf Tiruan & Pemogramannya Menggunakan Matlab. Edisi:2. Yogyakarta;2009. Andi Offset. Hal 2.
[13] Insania, N. Analisis Performansi Metode Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Pendeteksian Anak Berbakat (Gifted Child) Pada Masa Perkembangan. Fakultas Teknik Dan Ilmu Komputer Universitas Komputer Indonesia; 2014.
[14] Kusumadewi, S. (2010). “Membangun Jaringan Syaraf Tiruan Dengan Matlab & Excellink”. Jogjakarta : Graha Ilmu.
Jurnal Digital Zone is licensed under aCreative Commons Attribution-ShareAlike 4.0 International License.
