Pengaruh Transformasi Data pada Metode Learning Vector Quantization terhadap Akurasi Klasifikasi Diagnosis Penyakit Jantung

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

Text

Pengaruh Transformasi Data pada Metode Learning Vector Quantization terhadap Akurasi Klasifikasi Diagnosis Penyakit Jantung

Arafa Rahman Aziz - Nama Orang;

ABSTRAK
Learning Vector Quantization (LVQ) merupakan salah satu jenis Jaringan Syaraf Tiruan dengan proses pembelajaran terawasi yang berbasis competitive learning. Ketiadaan asumsi termasuk pada metode klasifikasi LVQ merupakan suatu kelebihan, akan tetapi di sisi lain bisa menjadi suatu permasalahan jika variabel-variabel prediktornya memiliki jangkauan yang saling berbeda besar. Masalah tersebut dapat diatasi dengan menyamakan atau mendekatkan jangkauan semua variabelnya dengan mentransformasi data menggunakan metode. Pada penelitian ini digunakan data Heart Disease UCI yang ditransformasi dengan beberapa metode transformasi yaitu minmax, decimal scaling, z-score, mean-MAD, sigmoid, dan softmax. Hasilnya data yang ditransformasi terlebih dahulu dengan keenam metode transformasi data dapat memberikan akurasi klasifikasi LVQ yang lebih baik daripada klasifikasi LVQ tanpa transformasi data yang memiliki akurasi rata-rata pelatihan 75,99%. Akurasi klasifikasi LVQ dengan transformasi data minmax, decimal scaling, z-score, mean-MAD, sigmoid, dan softmax berturut-turut 89,16 %, 88,22 %, 89,7 %, 90,1 %, 88,17 %, dan 92,18 %. Berdasarkan pengujian ANOVA Satu Arah dan uji lanjut DMRT diketahui bahwa terdapat perbedaan yang nyata pada tingkat signifikansi α 0,05 antara hasil klasifikasi dengan transformasi data dengan tanpa transformasi data dan diperoleh metode transformasi data terbaik yaitu softmax untuk pelatihan dan sigmoid untuk pengujian.

Kata kunci: penyakit jantung, jaringan syarf tiruan, learning vector quantization, klasifikasi, transformasi data

ABSTRACT
Learning Vector Quantization (LVQ) is a type of Artificial Neural Network with a supervised learning process based on competitive learning. Despite the absence of assumptions in LVQ is an advantage, it can be a problem when the predictor variables have big different ranges.This problems can be overcome by equalizing the range of all variables by data transformation so that all variables have relatively same effect. Heart Disease UCI dataset which used in this study is transformed by several transformation methods, such as minmax, decimal scaling, z-score, mean-MAD, sigmoid, and softmax. The result show that the six transformed data can provide better LVQ classification accuracy than the raw data which has 75.99% for training performance accuracy. LVQ classification accuracy with data transformation of minmax, decimal scaling, z-score, mean-MAD, sigmoid, and softmax are 89.16%, 88.22%, 89.7%, 90.1%, 88.17% and 92.18%. Based on the One-way ANOVA test and DMRT post hoc test known that there are significant differences between the results of the classification with data transformations and raw data in 0,05 significant level of α. It is also known that the best data transformation methods are softmax for training and sigmoid for testing.

Keywords: heart disease, neural network, learning vector quantization, classification, data transformation, minmax

Ketersediaan

809E20IV 809 E 20-iv Perpustakaan FSM Undip (Referensi) Tersedia

Informasi Detail

Judul Seri: STATISTIKA
No. Panggil: 809 E 20-iv
Penerbit: : ., 2020
Deskripsi Fisik: -
Bahasa: Indonesia
ISBN/ISSN: -
Klasifikasi: NONE
Tipe Isi: -
Tipe Media: -
Tipe Pembawa: -
Edisi: -
Subjek: -
Info Detail Spesifik: -
Pernyataan Tanggungjawab: Arafa Rahman Aziz

Pengaruh Transformasi Data pada Metode Learning Vector Quantization terhadap Akurasi Klasifikasi Diagnosis Penyakit Jantung

Ketersediaan

Informasi Detail

Versi lain/terkait

Lampiran Berkas

Komentar