Text

Sistem Prediksi Kista Ovarium Menggunakan Jaringan Syaraf Tiruan Metode Learning Vector Quantization (LVQ)

---

ABSTRAK

Kista ovarium (kista indung telur) adalah kantung berisi cairan yang terletak di ovarium.
Masyarakat sering menganggap remeh penyakit kista ovarium karena gejala awal yang
timbul tidak terlalu dirasakan, sehingga saat diketahui kondisi kista sudah membesar dan
mengganggu aktivitas sehari-hari. Kista ovarium tidak terlalu bahaya, namun jika
diabaikan dan tidak mendapatkan penanganan yang tepat, maka kista ovarium dapat
berkembang menjadi kanker ovarium. Menurut World Health Organization (WHO),
kanker ovarium masuk ke dalam kanker berbahaya keempat yang paling sering ditemukan
pada wanita di seluruh dunia setelah kanker payudara, kolorektal, dan korpus uteri. Dari
fakta tersebut, salah satu penyebab kanker ovarium adalah berawal dari kista ovarium yang
tidak disadari dan tidak mendapatkan penanganan awal yang tepat. Salah satu langkah
untuk mencegah kasus kanker ovarium adalah dengan mencegahnya dari penyebab paling
awal yaitu pendeteksian dini kista ovarium melalui gejala yang muncul. Penelitian ini
bertujuan untuk membangun sebuah sistem prediksi kista ovarium menggunakan Jaringan
Saraf Tiruan (JST) metode Learning Vector Quantization. Variabel yang digunakan
sebagai data prediksi berupa gejala fisik yang dialami. Terdapat 7 variabel gejala yang
digunakan dalam penelitian ini. Seluruh data penelitian diambil berdasarkan data rekam
medis dari RSUP Kariadi Semarang sejumlah 90 data. Identifikasi data latih dan data uji
menggunakan strategi K-Fold dengan K bernilai 10. Hasil penelitian menunjukkan bahwa
arsitektur jaringan LVQ terbaik untuk prediksi diperoleh pada nilai learning rate 0.02,
epsilon 0.01, dan maksimum epoch 1000. Kombinasi parameter terbaik dalam penelitian
menghasilkan tingkat akurasi 72.22%, error 27.78%, sensitivitas 28.65% dan spesifisitas
86.11%.
Kata Kunci : Sistem Prediksi Kista Ovarium, Prediksi Kista Ovarium, Kista Ovarium, Jaringan
saraf tiruan (JST), Learning Vector Quantization, LVQ

ABSTRACT

An ovarian cyst is a sac filled with liquid material that arises in an ovary. People often
underestimate an ovarium cyst because they do not feel the early symptoms, until they
realize the condition of cyst has been growing and disrupting their daily activities.
Ovarium cyst is not harmful enough, but if it is neglected and get improper treatment, it
will develop into ovarian cancer. According to the World Health Organization (WHO),
ovarian cancer is the fourth most dangerous cancer that mostly found in woman in the
worldwide after breast cancer, colorectal, and uterine corpus. Based on these facts, one of
causes of ovarian cancer is started from unrealized ovarian cyst that did not get early
proper treatment. Thus, ovarian cancer can be prevented by early detection of ovarian cyst
through symptomps. The purpose of this research is to establish an ovarian cyst prediction
system using a model of Artificial Neural Network (ANN) Learning Vector Quantization.
Variables that are used as prediction data are experienced physical symptoms. There are 7
symptoms variable in this research. The data were taken from medical records of RSUP Dr
Kariadi Semarang, there are 90 data distribution of training data and test data uses K-Fold
strategy with K-value 10. The results of research show that the best LVQ network
architecture for the prediction are obtained when using a learning rate value of 0.02,
epsilon 0.01, and the maximum epoch 1000. The best parameters combination in this
research result in accuracy 72.22%, error 27.78%, sensitivity 28.65% and specificity
86.11%.
Kata Kunci : Ovarian Cysts Prediction System , Ovarian Cyst Prediction, Ovarian Cysts ,
artificial neural network ( ANN ) , Learning Vector Quantization , LVQ

---

Ketersediaan

422F16IV

006.32 ARI s

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

006.32 ARI s

Penerbit

: ., 2016

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1364

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Alfin Lathifatul Arifah

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar