Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)

  Vol. 2, No. 8, Agustus 2018, hlm. 2947-2955 http://j-ptiik.ub.ac.id

  

Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector

Quantization (LVQ)

_{1 2 3} Ivan Agustinus , Edy Santoso , Bayu Rahayudi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} E-mail: mail.ivanagustinus@gmail.com, edy144@ub.ac.id, ubay1@ub.ac.id

  

Abstrak

Hipertensi merupakan salah satu masalah kesehatan secara global dan dirasakan oleh masyarakat dunia.

  Dari berbagai survey yang dilakukan, jumlah kasus hipertensi yang terjadi setiap tahunnya akan terus bertambah dan jumlah kematian yang disebabkan oleh hipertensi juga bertambah. Penelitian ini mencoba untuk melakukan klasifikasi penyakit hipertensi. Pada penelitian ini menggunakan data pasien penyakit hipertensi dengan dibagi kedalam 4 kelas. Metode klasifikasi yang digunakan dalam penelitian ini adalah Learning Vector Quantization. Data berupa bobot akan diinputkan kedalam database sistem untuk selanjutnya dilakukan proses klasifikasi dengan LVQ. Bobot yang didapatkan dari rekam medis pasien hipertensi. Penelitian ini menggunakan 12 fitur. Penelitian ini menggunakan 6 skenario pengujian yang menghasilkan rekomendasi nilai learning rate 0.1, pengali learning rate 0.2, data latih sebanyak 50%, alpha minimum 0.001, iterasi maksimum 6 dan data latih yang digunakan sesuai urutan id awal. Hasil akurasi yang didapatkan sebesar 93.841%.

  Kata kunci: klasifikasi risiko, hipertensi, learning vector quantization

Abstract

  

Hypertension is one of the health problems globally and perceived by the world community. From

various surveys conducted, the number of cases of hypertension that occur each year will continue to

grow and the number of deaths caused by hypertension also increases. This study attempts to classify

hypertensive diseases. In this study using patient data of hypertension disease by divided into 4 classes.

Classification method used in this research is Learning Vector Quantization. Data in the form of weight

will be entered into the database system for further classification process with LVQ. Weight obtained

from medical records of hypertensive patients, This study uses 12 features. This study used 6 test

scenarios that resulted in recommendation of value of learning rate 0.1, multiplier learning rate 0.2,

training data as much as 50%, alpha minimum 0.001, maximum iteration of 6 and train data used in the

sequence of initial id. The result of accuracy obtained is 93.841% Keywords: classification risk, hypertension, learning vector quantization diperlukan oleh tubuh menjadi terhambat.

1. PENDAHULUAN Mekanisme yang terjadi dalam hipertensi adalah

  akibat dari beberapa interaksi dinamis yang Pertambahan usia pada seseorang dapat terjadi antara faktor genetik dengan lingkungan menyebabkan tekanan darah menjadi meningkat. dan faktor lainnya (Taufik, 2013). Hipertensi

  Terdapat beberapa faktor yang menjadi sebab merupakan salah satu masalah kesehatan secara dari hal tersebut, Kurangnya aktivitas yang global dan dirasakan oleh masyarakat dunia. dilakukan secara fisik, berlebihnya berat badan

  Dari berbagai survey yang dilakukan, jumlah pada seseorang dan terdapat gangguan yang kasus hipertensi yang terjadi setiap tahunnya terjadi pada perubahan secara hormonal adalah akan terus bertambah dan jumlah kematian yang faktor yang menyebabkan meningkatnya disebabkan oleh hipertensi juga bertambah. tekanan darah. Hipertesi atau tekanan darah

  Menurut Badan Kesehatan Dunia (WHO) tinggi adalah gangguan yang terjadi di pembuluh penderita hipertensi di Indonesia mencapai lebih darah yang membuat suplai dari oksigen dari 30% . Sedangkan Perhimpunan Dokter dan darah yang membawa nutrisi yang Indonesia menyatakan pada tahun 2014 bahwa

  Fakultas Ilmu Komputer Universitas Brawijaya

2947

2. LANDASAN KEPUSTAKAAN

2.1 Kajian Pustaka

  Untuk melakukan penelitian apakah seseorang menderita penyakit hipertensi harus mempunyai suatu standar nilai ukur tekanan darah. Terdapat berbagai macam klasifikasi akan hipertensi yang digunakan di masing masing negara, namun yang paling umum adalah menggunakan klasifikasi tekanan darah oleh JNC 7 ( The Seventh Report of The Joint

  ≥100 TDS= Tekanan Darah Sistolik TDS= Tekanan Darah Diastolik

  2 ≥160 Atau

  Hipertensi derajat

  1 140-159 Atau 90-99

  Prahipertensi 120-139 Atau 80-89 Hipertensi derajat

  Normal <120 Dan <80

  Klasifikasi Tekanan darah TDS (mmHg) TDD(mmHg)

  Tabel 1. Klasifikasi Tekanan Darah (Sumber : JNC 7)

  dibagi kedalam 4 tipe, 4 tipe tersebut ditetapkan tekanan darah sistolik ataupun diastolik seperti dapat dilihat pada Tabel 1.

  National Committee on Preventation, Detection, Evaluation and Treatment of High Blood Pressure) pada klasifikasi JNC7 tekanan darah

  2.2.1 Klasifikasi Hipertensi

  terdapat 76 persen untuk kasus hipertensi yang sejak dini tidak dapat didiagnosis. Meningkatnya kasus dari hipertensi karena penderita hipertensi tidak mendapatkan pengobatan yang layak ataupun pengobatan yang belum dijalankan sampai selesai hingga tekanan darah pada pasien mencapai batas normal (Yogiantoro, 2009). Terjadinya hal ini dikarenakan masih terbatasnya akses dalam pengobatana dan masih rendahnya pengetahuan akan hipertensi.

  killer .

  Hipertensi adalah sebuah penyakit yang disebabkan oleh peningkatan abnormal tekanan darah, baik tekanan darah sistolik maupun tekanan darah diastolik, Secara umum seseorang dapat dikatakan hipertensi jika hasil dari pemeriksaan Tekanan darah sistolik/diastolic lebih dari 140/90 mmHg, Sedangkan normal nya adalah 120/80 mmHg. Penyakit Hipertensi di Indonesia terus mengalami kenaikan akibat dari perubahan gaya hidup, mengkonsumsi makanan tinggi lemak, kolesterol, penurunan aktivitas fisik, kenaikan kejadian stress dan lain lain (Herawati,2011). Penderita penyakit hipertensi pada umumnya tidak akan merasakan tanda- tanda seperti penyakit lain yang pada umumnya, dikarenakan hipertensi sulit untuk dideteksi. Penyakit ini umumnya dapat terdeteksi saat melakukan pemeriksaan yang mempunyai keterkaitan dengan hipertensi seperti stroke ataupun diabetes. Penyakit ini disebut silent

  2.2 Hipertensi

  Tidak ADHD. Hasil akurasi yang didapatkan pada penelitian ini 80% (Zainal, 2016).

  latih sebanyak 80, 20 data uji, dengan menggunakan alpha minimum 0.0000000001, learning rate = 0.1 dan pengali learning rate = 0.1 dan dilakukan 9 epoch untuk mendadapatkan hasil maksimum. Penyakit ADHD pada penelitian ini diklasifikasikan kedalam 4 kelas yaitu Hyperactivity, Impulsif, Inattention dan

  Disorder (ADHD). Penulis menggunakan data

  Penelitian ini bertujuan untuk melakukan identifikasi pada anak usia dini yang mengalami penyakit Attention Deficit Hyperactivity

  Quantization untuk membahas tentang identifikasi penyakit ADHD pada anak usia dini.

  Kemudian penelitian selanjutnya menggunakan Metode Learning Vector

  Selanjutnya terdapat penelitian yang menggunakan metode Learning Vector Quantization (LVQ) dengan judul “Pengklasikasian Mutu Susu Sapi Menggunakan Metode Learning Vector Quantization (LVQ) dengan studi kasus UPT laboratorium Kesehatan Hewan Malang , yang telah menghasilkan akurasi data urut sebesar 89.51% dan untuk akurasi data random sebesar 92.79% (Ganidar,2015)

  Penelitian yang telah menggunakan sistem cerdas pada saat ini sudah cukup banyak, penelitian tersebut digunakan dalam berbagai macam bidang, baik dalam kesehatan ataupun dalam bidang yang lain salah satunya adalah “Klasifikasi risiko hipertensi menggunakan fuzzy tsukamoto dan algoritma genetika”, yang dilakukan oleh Nindy Akvalentin Kusumaningrum. Penelitian ini menggunakan metode fuzzy tsukamoto yang dikombinasikan dengan algoritma genetika. Dalam penelitian tersebut menghasilkan tingkat akurasi sebesar 85.9% untuk laki

• – laki dan 93% untuk perempuan.

Masih terdapat beberapa pengklasifikasian selain JNC 7 yang dapat dijadikan pedomana dalam penanganan hipertensi, yaitu klasifikasi Tekanan darah yang digunakan di cina CHH (Chinnese Hypertension Society) sedangkan yang digunakan di eropa ESH (European Society

  of Hypertension). Namun klasifikasi dengan

  Arsitektur jaringan LVQ dapat dilihat pada Gambar 1.

  = 1 sampai

  (1) b. Lakukan langkah i sampai iii untuk semua vector masukan pada indeks ke

  = + 1

  Lakukan penambahan nilai iterasi

  Lakukan a sampai c bila iterasi < iterasi maksimum dan alpha > alpha minimum a.

  2. Inisialisasi iterasi awal = 0 3.

  Inisialisasi nilai learning rate (alpha), pengali learning rate (dec alpha), alpha minimum, iterasi maksimum dan bobot awal

  Langkah-langkah pembelajaran metode LVQ dapat dijelaskan sebagai berikut (Ganidar, 2015): 1.

  Neuron masukan akan diarahkan ke neuron keluaran dengan perhitungan jarak ketetanggaan dalam lapisan kompetitif. Apabila jarak antara bobot awal dan bobot masukan berdekatan, maka akan diarahkan pada kelas yang sama, dan sebaliknya apabila jaraknya berjauhan maka akan diarahkan ke kelas yang berbeda.

  Gambar 1. Arsitektur Jaringan LVQ

  diperkenalkan oleh Kohonen pada tahun 1982 merupakan jaringan single layer yang terdiri dari lapisan input dan output dimana di antara lapisan tersebut terdapat bobot (Azizi, 2013). LVQ merupakan metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi dimana lapisan ini secara otomatis dapat melakukan pembelajaran untuk pengelompokan input yang diberikan. Metode ini mampu membandingkan jarak sejumlah vektor-vektor dari beberapa data yang menunjukkan pada kelas yang sama dari vektor- vektor tersebut (Hermanenda, 2013)

  menggunakan JNC 7 adalah klasifikasi yang paling sering digunakan.

  2.3 Learning Vector Quantization Learning Vector Quantization (LVQ) yang

2.2.2 Faktor Risiko Hipertensi

  (g) Kebiasaan merokok : dalam hal ini perokok aktif mempunyai peluang terkenan hipertensi yang lebih tinggi dari non perokok

  Pola asupan garam diet : konsumsi garam berlebih dapat meningkatkan konsentrasi natrium dalam tubuh sehingga dapat membuat volume darah meningkat dan membuat timbulnya hipertensi

  Kurang olahraga : kurangnya aktifitas yang dilakukan secara fisik dapat membuat risiko akan tekanan darah tinggi menjadi meningkat, dikarenakan orang yang tidak aktif membuat jantung akan bekerja lebih keras. (f)

  Hormon adrenalin seseorang akan mengalami peningkatan dan dapat membuat jantung bekerja lebih keras karena memompa lebih cepat. (e)

  (d) Stress: tekanan darah pada manusia dapat meningkat tekanan darah, pada saat stress

  (c) Jenis kelamin : laki laki lebih mempunyai risiko terkena hipertensi berbeda hal nya dengan perempuan, prevelensi perempuan terkena penyakit kardiovaskuler adalah saat sudah melewati masa menopause, karena perempuan dilindungi oleh estrogen dalam meningkatkan HDL

  (b) Obesitas : obesitas ataupun kelebihan berat badan merupakan faktor yang menentukan pada tekanan darah, indeks pada massa tubuh manusia dapat mempengaruhi risiko hipertensi

  (a) Genetik : faktor genetik dalam keluarga dapat menjadi penyebab seseorang dapat mempunyai risiko hipertensi

  Umumnya hipertensi tidak mempunyai penyebab yang spesifik. Hipertensi terjadi dikarenakan terjadi respon peningkatan pada cardiac ouput atau telah terjadi peningkatan pada tekanan perifer. Terdapat beberapa faktor dalam terjadinya hipertensi (Bianti, 2015) :

• Jika =
• Jika ≠

  Gambar 2. Diagram alir metodologi penelitian

  (8) 7. Hitung akurasi dimana perbandingan antara jumlah data (hasil keluaran dari sistem yang dibut) benar dengan jumlah total data.

  Akurasi = ℎ ℎ ℎ

  100%

  (9) Pada proses pengujian ini dapat dilihat tingkat akurasi sistem, dari tingkat akurasi yang dihasilkan akan menjelaskan apakah sistem “Klasifikasi Risiko Hipertensi Metode Learning

  Vector Quantization

  (LVQ)” memiliki akurasi yang baik atau buruk.

  3. METODOLOGI PENELITIAN

  Pada metodologi penelitian ini akan dibahas langkah-langkah yang digunakan dalam pembuatan sistem klasifikasi risiko hipertensi menggunakan metode Learning Vector Quantization. Tahapan tersebut dapat diketahui pada Gambar 2 berikut.

  Berdasarkan dari Gambar 2, tahapan penelitian yang dilakukan adalah sebagai berikut:

  1) Mencari dan mengumpulkan literatur- literatur yang terkait mengenai metode- metode yang akan digunakan dalam penelitian skripsi ini

  2) Melakukan analisa terhadap kebutuhan sistem

  3) Melakukan pengumpulan data

• Jika Cj = T, maka
• Jika Cj ≠ T, maka

  4) Melakukan perancangan sistem

  5) Melakukan implementasi berdasarkan hasil analisa dan perancangan sistem yang telah dilakukan sebelumnya.

  6) Melakukan pengujian terhadap sistem

  7) Melakukan rangkuman dari hasil analisis yang didapat dari penelitian yang telah dilakukan 4.

   PERANCANGAN

  = 0

  = + 1

  (7)

  , maka gunakan persamaan

  i.

  Hitung jarak antara data dengan bobot awal setiap kelas dengan persamaan

  ( ) = √∑ ( − )

  2 =1

  (2) ii. Tentukan nilai minimal dari setiap jarak kelas sehingga menjadi keluaran iii. Perbarui bobot dengan rumus berikut:

  , maka gunakan persamaan

  ( ) = ( ) + ( − ( ))

  (3)

  ( ) = ( ) − ( − ( ))

  (6) 5. Tentukan jarak terdekat (Cj) dari perhitungan berdasarkan nilai mnimum dari seluruh jarak kelas yang ada (D(j)) 6. Melakukan pengecekan dengan ketentuan:

  (4) c. Kurangi alpha dengan persamaan

  ℎ ( ) = ℎ ( ) ×

  (5) Sedangkan proses pengujian menggunakan metode LVQ adalah sebagai berikut:

  1. Inisialisasi bobot awal menggunakan bobot terakhir hasil pelatihan sebelumya.

  2. Inisialisasi kondisi awal, benar = 0 3.

  Lakukan langkah 4 sampai 6 sebanyak jumlah data.

  4. Hitung jarak dengan persamaan:

  ( ) = √∑ ( − ) 2 =1

  Perancangan sistem berisi tahapan-tahapan perancangan sistem klasifikasi risiko hipertensi menggunakan metode Learning Vector Quantization .

  4.1 Diagram Alir

  Proses pada sistem ini dengan memasukan input data berupa rekam medis yang terdiri dari 12 atribut berdasarkan dengan bobotnya, selanjutnya akan dilakukan proses LVQ untuk menghasilkan hasil klasifikasi, jika sudah didapatkan hasil klasifikasi sistem akan berhenti.

  Gambar 4. Flowchart Pelatihan LVQ _{pelatihan dan parameter Insialisasi bobot hasil Start Foreach (select_jenis() as $nilai)} N Gambar 3. Diagram alir sistem _Y

  4.2 Flowchart Pelatihan LVQ

  Proses pelatihan dilakukan untuk membuat gambaran terkait proses perhitungan pada Nilai minimum D (j)

  Learning Vector Quantization , pelatihan ini

  berguna untuk mendapatkan bobot yang akan dipakai pada proses pengujian, dapat dilihat pada _{Hasil pengujian} gambar 4 proses pelathan pada LVQ. _End

  4.3 Flowchar Pengujian LVQ Gambar 5. Flowchart Pengujian LVQ

  Proses pelatihan dilakukan untuk membuat gambaran terkait proses pengujian pada

  Learning Vector Quantization yang dijabarkan

  pada gambar 5. Setelah dilakukan proses pengujian, akan dilakukan proses perhitungan akurasi yang dijelaskan pada gambar 6.

  Start Insialisasi parameter $akurasi foreach ($_SESSION['cj'] as

  $index_data_uji => $data) Hasil akurasi End

  pengujian sebelumnya, jumlah data latih sebanyak 60% data, nilai alpha minimum sesuai nilai learning rate dan pengali learning rate yang digunakan serta iterasi maksimum 9 yang didapatkan dari hasil pelatihan. Hasil pengujian dapat dilihat pada Gambar 8.

  learning rate yang didapat dari skenario

  pengujian ini menggunakan nilai 0.1 untuk

  rate dengan hasil akurasi terbaik. Skenario

  pengali learning rate yang diuji adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 dan 1. Pengujian ini untuk mendapatkan nilai pengaruh learning

  learning rate terhadap hasil akurasi. Range nilai

  Pengujian kedua ini bertujuan untuk mengetahui pengaruh perubahan pengali

  5.2 Pengujian Pengaruh Pengali Learning Rate

  rate rekomendasi dari skenario pengujian ini adalah 0,1.

  terendah dengan akurasi tertinggi berada pada angka 0,1. Sehingga nilai learning

  learning rate

  Dari Gambar 7 dapat terlihat bahwa nilai

  Gambar 7. Grafik hasil pengujian nilai learning rate

  , jumlah data latih sebanyak 60% data, alpha minimum 0.000000001 (1E-09) dan iterasi maksimum 9 yang didapatkan dari hasil kombinasi pelatihan metode LVQ tebaik. Hasil pengujian dapat dilihat pada Gambar 7 berikut ini.

  rate

PENGUJIAN DAN ANALISIS

  rate , iterasi maksimum, jumlah data latih yang

  N Y T == Cj Akurasi = 1

  Akurasi = 0 N Y

  Gambar 6. Flowchart menghitung akurasi 5.

  Pengujian yang dilakukan adalah pengujian akurasi sistem menggunakan beberapa parameter, yaitu learning rate, pengali learning

  digunakan, alpha minimum, urutan data latih serta jumlah data dan data latih yang digunakan. Parameter awal yang digunakan dalam pelatihan adalah hasil dari pelatihan dengan akurasi terbaik yang sudah dilakukan sebelumnya.

  1. Range nilai learning rate yang diperbolehkan adalah antara 0 sampai dengan 1, apabila nilai yang digunakan terlalu kecil hasil yang diperoleh akan terlihat tidak signifikan untuk dapat diamati perubahannya. Pengujian ini untuk mendapatkan nilai learning rate dengan hasil akurasi terbaik. Skenario pengujian ini menggunakan nilai 0.1 untuk pengali learning

  Nilai dari parameter-parameter tersebut adalah:

  = 0,1 2. Pengali learning rate

1. Learning rate

  = 0,1 3. Iterasi maksimum = 9 4.

  Alpha minimum = 0,000000001 5. Jumlah data latih = 60 %

  Selanjutnya dilakukan percobaan terhadap masing-masing kriteria untuk mengetahui pengaruh setiap kriteria terhadap akurasi dari sistem yang telah diimplementasikan.

5.1 Pengujian Pengaruh Learning Rate

  Pengujian ini bertujuan untuk mengetahui pengaruh perubahan learning rate terhadap hasil akurasi. Range nilai learning rate yang diuji adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 dan

  5.4 Pengujian Pengaruh Jumlah Data Latih

  Pengujian keempat ini bertujuan untuk mengetahui pengaruh perubahan persentase jumlah data latih terhadap hasil akurasi yang digunakan. Persentase jumlah data latih yang digunakan mulai dari 10% hingga 100% dari total jumlah data latih yang digunakan yakni sebanyak 80 data. Persentase jumlah data latih yang digunakan meliputi 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, dan 100%. Skenario yang digunakan pada pengujian ini adalah nilai

  learning rate 0.1, pengali learning rate 0.2, alpha Gambar 8. Grafik hasil pengujian nilai pengali minimum 0.00000001 dan iterasi maksimum 6. learning rate

  Hasil Akurasi yang dihasilkan pada setiap persentase jumlah data latih yang digunakanpun Dari Gambar 8 dapat terlihat bahwa nilai bervariasi, dan hasil pengujian pengaruh jumlah pengali learning rate terkecil dengan akurasi data latih terhadap hasil akurasi tersebut dapat tertinggi berada pada angka 0,2. Sehingga nilai dilihat pada Gambar 10. pengali learning rate rekomendasi dari skenario pengujian ini adalah 0,2.

5.3 Pengujian Pengaruh Iterasi Maksimum

  Pengujian ketiga ini bertujuan untuk mengetahui pengaruh iterasi maksimum terhadap hasil akurasi. Iterasi yang digunakan mulai dari 3 sampai dengan 18 yakni 3, 6, 9, 12, 15 dan 18. Skenario yang digunakan pada pengujian ini adalah nilai learning rate 0.1, pengali learning rate 0.2, jumlah data latih

  Gambar 10. Grafik hasil pengujian jumlah data

  sebanyak 50% data, dan alpha minimum

  latih

  0.000000001. Hasil pengujian dapat dilihat pada Gambar 9.

  Dari Gambar 10 dapat terlihat bahwa jumlah data paling sedikit dengan nilai akurasi tertnggi berada pada jumlah data 50%. Sehingga jumlah data rekomendasi dari skenario ini adalah 50% dari 80 data.

  5.5 Pengujian Pengaruh Alpha Minimum

  Pengujian kelima ini bertujuan untuk mengetahui pengaruh perubahan alpha minimum terhadap hasil akurasi. Nilai alpha minimum yang diuji adalah 0.01, 0.001, 0.0001, 0.00001, 0.000001, dan 0.0000001, 0.00000001, 0.000000001. Pengujian ini untuk mendapatkan nilai alpha minimum dengan hasil akurasi

  Gambar 9. Grafik hasil pengujian jumlah iterasi

  terbaik. Skenario pengujian ini menggunakan

  maksimum

  nilai 0.1 untuk learning rate, pengali learning

  rate 0.2, jumlah data latih sebanyak 50% data

  Dari Gambar 9 dapat terlihat bahwa jumlah dan iterasi maksimum 6 yang didapatkan dari iterasi maksimum terkecil dengan akurasi skenario sebelumnya. Hasil pengujian dapat tertinggi berada pada iterasi ke 6. Sehingga dilihat pada Gambar 11 iterasi maksimum yang direkomendasikan adalah sebanyak 6 iterasi.

  Gambar 12. Grafik hasil pengujian K-Fold Cross Validation

  Dari gambar 12 dapat terlihat dengan menggunakan k-fold cross validation hasil akurasi yang didapat dari tiap fold, menghasilkan selisih akurasi yang tidak begitu jauh dengan hasil rata-rata akurasi sebesar 93.841%.

  6. PENUTUP Gambar 11. Grafik hasil pengujian nilai alpha Berdasarkan penelitian yang telah minimum

  dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu: Dari Gambar 11 dapat terlihat bahwa nilai 1.

  Proses awal yang harus dilakukan untuk

  alpha minimum dengan akurasi tertinggi berada

  membuat sistem “Klasifikasi Risiko pada angka 0,001. Nilai tersebut terdapat pada Hipertensi Menggunakan Metode Learning iterasi maksimum 6. Sehingga nilai alpha Vector Quantization (LVQ)” adalah dengan minimum rekomendasi dari skenario pengujian mengumpulkan data yang dibutuhkan ini adalah 0,001 sebagai acuan dalam implementasi yang dilakukan dari pemeriksaan laboratorium

5.6 Pengujian Cross Validation

  dan bobot masing-masing yang nantinya dilakukan proses menggunakan metode Pengujian keenam ini bertujuan untuk

  LVQ sehingga dapat mengklasifikasikan mengetahui pengaruh akurasi dengan perubahan jenis Hipertensi. Bobot yang digunakan data training dan data testing menggunakan adalah hasil dari pemeriksaan laboratorium.

  cross validation. Pengujian ini menggunakan k- 2.

  Berdasarkan 6 pengujian yang telah

  fold cross validation. Hasil pengujian dapat

  dilakukan, sistem menghasilkan dilihat pada gambar 12 dan tabel dibawah ini. rekomendasi nilai 0.1 untuk learning rate,

  Tabel 2. Hasil pengujian Cross Validation

  nilai 0.2 untuk pengali learning rate, jumlah data latih sebanyak 50%, nilai maksimum

  Fold Data Training Data Testing Akurasi

  epoch sebanyak 6, nilai sminimum alpha

  1

  48 52 96.153%

  0.001. Dari nilai-nilai tersebut rata-rata

  2

  48 52 98.076%

  hasil akurasi yang didapatkan sebesar

  3

  48 52 90.384% 93.841%.

  4

  48 52 90.384%

  5

  48 52 92.307%

DAFTAR PUSTAKA

  6

  48 52 94.230%

  Akvalentin, N., K., 2015. Klasifikasi Risiko

  7

  48 52 96.153%

  Hipertensi Menggunakan Fuzzy

  8

  48 52 92.307% Tsukamoto Dan Algoritma Genetika. S1.

  9

  48 52 96.153% Malang: Universitas Brawijaya.

  10

  48 52 92.307%

  Ari, M. & Rika, A., 2016. Model Data Mining

  Rata-rata akurasi 93.841%

  sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree. Jurnal Informatika Unnes, Vol. 3, No. 1, Meri 2016.

  Azizi, M. F. Q., 2013. Perbandingan Antara Metode Backpropagation Dengan Metode Learning Vector Quantization (LVQ) Pada Pengenalan Citra Barcode. S1. Universitas Negeri Semarang.

  Bianti, 2015. Risk Factor Hypertension. S1 .

  Universitas Negeri Lampung Ganidar, F.R., 2015. Pengklasifikasian Mutu Zainal, 2016. Pendeteksi Jenis Attention Defict Susu Sapi Menggunakan Metode Learning Hyperactivity Disorder (ADHD) Pada Vector Quantization (LVQ) (Studi Kasus: Anak Usia Dini Menggunakan Metode UPT Laboratorium Kesehatan Hewan Learning Vector Quantization (LVQ).

  Malang). Universitas Brawijaya Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 3, pp. 194-

  Fausett, L. 1994. Fundamentals of Neural 200.

  Network: Architectures, Algorithms, and Applications. Prentice-Hall,Inc: New Jersey

  Herawati, Wiwi Sartika., 2011. Terkontrolnya Tekanan Darah Penderita Hipertensi Berdasarkan Pola Diet dan Kebiasaan Olah Raga di Padang Tahun 2011. Poltekkes Kemkes Padang.

  Hermanenda, G.A., Cholissodin, I., & Supianto, A.A., 2013. Pengklasifikasian Kualitas Minuman Anggur Menggunakan Algoritma Learning Vector Quantization Berbasis Asosiasi. [pdf] Tersedia di <http://filkom.ub.ac.id/doro/download/arti cle/file/DR00060201312> [Diakses tanggal

  9 Februari 2012] Nyoman Wisnu, W., 2016. Klasifikasi Penyakit

  Hipertensi Menggunakan Algoritma Naïve Bayes . S1. Universitas Sanata Dharma. M.Yogiantoro. Hipertensi Esensial.

  JakartaDepartemen Ilmu Penyakit Dalam FKUI; 200p: 599-601. Pramudiono, I., 2003. Pengantar Data Mining:

  Menambang Permata Pengetahuan di Gunung Data. Kuliah Umum IlmuKomputer.Com

  Puspitaningrum, D., 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: CV Andi Offset.

  Taufik . K , Abdul .S , 2013. Klasifikasi Penyakit Hipertensi Menggunakan Fuzzy Inferency System Dengan Menggunakan Metode Tsukamoto. S1. Universitas Dian Nuswantoro Wibowo, A., Wirawan, & Suprapto, Y.K., 2014.

  Prosiding Seminar Nasional Sains dan Pendidikan Sains IX, Fakultas Sains dan Matematika, UKSW, 21 Juni 2014, Volume

  5 No 1 : 649

• – 655: Verifikasi Dan Identifikasi Tandatangan Offline Menggunakan Wafelet dan Learning Vector Quantization. [pdf]. Tersedia di: http://repository.uksw.edu/bitstream/12345 6789/4595/2/PROS_A%20Wi