Klasifikasi Radang Kandung Kemih dan Nefritis dari Pelvis Ginjal Menggunakan Metode Learning Vector Quantization Achmad Izaaz Universitas Merdeka Pasuruan.
Jl Ir.
Juanda No 68.
Pasuruan E-mail: achmadizaaz@outlook.
Abstrak - Infeksi saluran kemih merupakan suatu infeksi yang disebabkan oleh pertumbuhan mikroorganisme di dalam saluran kemih manusia.
Radang kandung kemih dan nerfitis dari pelvis ginjal merupakan salah satu infeksi saluran kemih.
Diagnosis Radang kandung kemih dan nerfitis dari pelvis ginjal dapat dilakukan melalui pemeriksaan secara fisik terhadap pasien, riwayat penyakit, pemeriksaan laboratorium, keluarga, serta informasi yang terkait.
Tujuan penulisan ini menyajikan hasil kajian mengenai implementasi metode Learning Vector Quantization untuk memudahkan klasifikasi radang kandung kemih dan nefritis dari pelvis ginjal.
Hasil penelitian menunjukan bahwa penggunaan metode Learning Vector Quantization dengan parameter learning rate 0.
minimal error 0.
0001, dan maksimal epoch 2 mendapatkan tingkat akurasi sebesar 86.
95652173913% dari pengujian data training sebanyak 67 dan data testing sebanyak 23.
Kesimpulan semakin banyak nilai epoch dan nilai learning rate maka semakin baik hasil yang didapatkan.
Kata KunciAi Klasifikasi.
LVQ.
Infeksi Saluran PENDAHULUAN Infeksi saluran kemih merupakan suatu infeksi yang disebabkan oleh pertumbuhan mikroorganisme di dalam saluran kemih manusia.
Saluran kemih manusia merupakan organ-organ yang bekerja untuk mengumpul dan menyimpan urin serta organ yang mengeluarkan urin dari tubuh, yaitu ginjal, ureter, kandung kemih dan uretra.
Menurut Departemen Kesehatan Republik Indonesia jumlah penderita infeksi saluran kemih di Indonesia masih cukup banyak, mencapai 90-100 kasus per 100.
000 penduduk pertahun nya atau sekitar 180.
000 kasus baru pertahun .
halnya perhitungan yang banyak dan berulang-ulang serta membutuhkan banyak waktu dalam pengambilan kesimpulan .
Sistem pengambilan kesimpulan telah banyak dilakukan di berbagai bidang ilmu, seperti yang dilakukan oleh .
implementasi Learning Vector Quantization sebagai alat elektrokardiogram yang memperoleh tingkat akurasi 96% dari 25 data uji.
LVQ juga digunakan oleh .
dalam mengklasifikasi citra daging sapi dan daging babi mendapatkan tingkat akurasi tertinggi rata-rata sebesar 94,81%.
Berdasarkan beberapa penelitian terdahulu yang pernah menggunakan metode klasifikasi Learning Vector Quantization.
Pada penelitian ini, peneliti tertarik untuk meneliti lebih lanjut untuk mengetahui dan mendalami tentang metode Learning Vector Quantization dalam mengklasifikasikan penyakit radang kandung kemih dan nefritis akut secara terkomputerisasi berdasarkan data klinis pasien serta untuk mengetahui tingkat akurasi.
Berdasarkan latar belakang diatas dapat dirumuskan bagaimana algoritma klasifikasi Learning Vector Quantization dapat diterapkan dalam mengklasifikasi radang kandung kemih dan nefritis dari pelvis ginjal Radang kandung kemih dan nefritis dari pelvis ginjal merupakan salah satu jenis infeksi saluran kemih yang paling sering terjadi.
Penyakit ini lebih sering menyerang wanita dibandingkan pria.
Hal ini disebabkan oleh ukuran uretra .
aluran urine dari kandung kemih ke luar tubu.
yang lebih pendek, dan jarak uretra yang lebih dekat dengan anus .
Diagnosis radang kandung kemih dan nerfitis dapat dilakukan melalui pemeriksaan secara fisik terhadap pasien, riwayat penyakit, pemeriksaan laboratorium, keluarga, serta informasi yang terkait.
Untuk itu diperlukan pengelompokan jenis penyakit peradangan akut beserta gejala-gejala yang dialami pasien lalu dijadikan sebuah data pembelajaran.
Data pembelajaran dijadikan data latih untuk pemetaan ke dalam data uji, sehingga klasifikasi jenis-jenis penyakit yang didapat dari rekam medis disimpan kedalam database kemudian di diproses dengan memanfaatkan perkembangan teknologi informasi untuk menentukan hasil luaran dengan Algoritma klasifikasi yang digunakan adalah algoritma Learning Vector Quantization.
Atribut yang digunakan dari data berjumlah 6 atribute yaitu suhu tubuh, terjadinya mual, sakit lumbar, dorongan buang air kecil terus-menerus, nyeri mikturisi dan pembakaran uretra, pembengkakan outlet uretra .
Kelas yang digunakan dari data berjumlah 2 kelas yaitu radang kandung kemih dan nefritis dari pelvis ginjal.
Hasil dari output sistem yang akan dibuat ini adalah tingkat persentase akurasi yang didasari input dari atribute data, hasil probabilitas dan prediksi radang kandung kemih dan nefritis dari pelvis ginjal Tujuan dari penelitian ini adalah untuk menerapkan algoritma Learning Vector Quantization dalam melakukan klasifikasi pada radang kandung kemih dan nefritis dari pelvis ginjal dan memberikan hasil tingkat akurasi.
Pemanfaatan teknologi digunakan untuk mempermudah pekerjaan manusia yang sifatnya memberatkan, seperti ISSN 2615-5788 Print .
JURNAL TEKNIK ELEKTRO DAN KOMPUTER TRIAC https://journal.
id/triac Vol 8 No.
@ Achmad Izaaz II.
BAHAN DAN METODE
Klasifikasi Klasifikasi merupakan kata dari bahasa inggris, yaitu AuclassificationAy dan kata ini berasal dari kata Auto classyAy yang berarti menggolongkan dan menempatkan bendabenda di suatu tempat.
Terdapat beberapa pendapat tentang definisi klasifikasi menurut para ahli dan dari berbagai Menurut Sulistyo Basuki .
, mengatakan bahwa klasifikasi berasal dari kata Latin AuclassisAy, benda/entitas yang sama.
Secara umum dapat dikatakan bahwa batasan klasifikasi adalah usaha menata alam pengetahuan ke dalam tata urutan sistematis.
Menurut Hamakonda dan Tairas .
, mengatakan klasifikasi adalah pengelompokkan yang sistematis pada sejumlah objek, gagasan, buku atau benda-benda lain ke dalam kelas atau golongan tertentu berdasarkan ciri-ciri yang Learning Vector Quantization Learning Vector Quantization adalah salah satu metode untuk klasifikasi yang pertama kali diperkenalkan oleh Tuevo Kohonen yang memperkenalkan Self-Organizing Feature Map juga.
Learning Vector Quantization merupkan jaringan hybrid yang menggunakan supervised dan unsupervised learning.
Metode LVQ telah digunakan oleh banyak peneliti untuk memecahkan masalah klasifikasi.
Learning Vector Quantization merupakan sebuah metode pola klasifikasi pada setiap unit output mewakili sebuah kelas tertentu.
Vektor bobot dari sebuah unit output digunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh sebuah kelas.
Learning Vector Quantization adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi.
Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektorvektor input.
Jika terdapat 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.
Arsitektur jaringan LVQ adalah sebagai berikut .
Keterangan:
X1.
X2.
X3, .
Xn merupakan vektor inputan.
Kemudian vektor-vektor dihubungkan ke vektor W1 dan W2.
W1 dan W2 merupakan vektor bobot pertama dan kedua.
W1 merupakan vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron pertama pada lapisan output, sedangkan W2 merupakan vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron yang kedua pada lapisan output T1,dan T2 merupakan fungsi aktivasi pertama dan kedua.
Fungsi aktivasi F1 akan memetakan y_in1 ke y1 = 1 apabila ||X Ae W.
| < ||X Ae W.
|, dan y1 = 0 jika sebaliknya.
Demikian pula dengan yang terjadi pada fungsi aktivasi T2.
T1 dan T2 merupakan output target pertama dan Adapun kelebihan dari LVQ sebagai berikut:
Nilai error yang dihasilkan lebih kecil.
Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi.
Tidak ada pembatasan pada dimensi codebook.
Model yang dihasilkan dapat dilakukan perbaharuan secara bertahap Sedangkan kelemahan dari LVQ sebagai berikut:
Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut.
Akurasi model Learning Vector Quantization bergantung pada inisialisasi dan parameter yang digunakan untuk perhitungan.
Distribusi mempengaruhi nilai akurasi.
Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan.
Pada sistem pembelajaran Learning Vector Quantization terdapat ketentuan dasar teori LVQ.
Parameter yang dibutuhkan diantaranya adalah:
TABLE I.
Parameter Learning rate () Dec () Min () Maks Epoch
PARAMETER LEARNING QUNATIZATION VECTOR
Keterangan Vektor-vektor inputan pelatihan Target, kelas atau kategori yang benar untuk vektor pelatihan Vektor bobot tiap unit keluaran ke-j (W1j.
W2j, .
Wn.
Nilai tingkat pelatihan / pembelajaran Pengurangan learning rate Minimal tingkat pelatihan yang masih Jumlah dibolehkan selama proses pelatihan Dibawah ini adalah algoritma dari metode Learning Vector Quantization:
Inisialisasi learning rate (), maks epoch, dan min Error.
Gambar 1.
Arsitektur Jaringan Learning Vector Quantization ISSN 2615-5788 Print .
JURNAL TEKNIK ELEKTRO DAN KOMPUTER TRIAC https://journal.
id/triac Vol 8 No.
@ Achmad Izaaz apabila kondisi false, lakukan langkah 2 sampai Untuk setiap input pelatihan vektor x lakukan langkah 4 Ae 5 Temukan j hingga ycu Oe yc minimuma.
Perbaharui nilai yc sebagai berikut:
Jika ycN = ya , maka ycO( ) = ycO( ) ycu Oe ycO( ) A.
Jika ycN O ya , maka ycO( .
) = ycO( ) Oe ycu Oe ycO( Kurangi nilai learning rate ().
Apabila kondisi berhenti: yaitu kondisi iterasi sudah mencapai nilai maksimal epoch yang telah ditentukan atau nilai learning rate () mencapai nilai min Error.
Setelah proses pembelajaran Learning Vector Quantization selesai maka langkah selanjutnya adalah proses pengambilan hasil output LVQ.
Pengambilan hasil dilakukan hanya pada proses penngujian.
Pada dasarnya, tahapan ini hanya memasukkan input nilai bobot terbaik .
kemudian mencari jarak terdekat dengan perhitungan Euclidian.
Dan sistem ini dibangun dengan skema seperti pada gambar dibawah ini.
Nyeri mekturisi Pembakaran uretra, gatal, pembengkakan outlet uretra .
Tidak, .
Ya .
Tidak, .
Ya i.
HASIL DAN PEMBAHASAN
Dalam aplikasi ini dibangun dengan menggunakan bahasa pemrograman PHP.
Proses aplikasi yang telah dibangun memiliki beberapa proses yaitu .
input data training dan testing .
menentukan nilai bobot awal .
proses pembelajaran dengan algoritma learning vector Halaman Data Training Gambar 3.
Halaman Data Training Pada gambar 3 merupakan halaman data training, pengguna dapat mengelola data training meliputi:
menambahkan, mengubah dan menghapus data training.
Halaman Data Testing Gambar 2.
Diagram Pengolahan Data Dataset Dataset adalah kumpulan data yang ada dalam basis Sesuai kebutuhan sistem, data dibagi menjadi dua untuk pembalajaran .
yang nantinya dibandingkan dengan data ujicoba untuk mengetahui kinerja Learning Vector Quantization dalam klasifikasi penyakit radang kandung kemih dan nefritis dari pelvis ginjal.
Data yang digunakan untuk training sebanyak 67 data, sedangkan untuk ujicoba 23 data.
Data ujicoba harus benar-benar berbeda dari data pembelajaran untuk memenuhi aspek Fitur yang digunakan pada diagnosis penyakit radang kandung kemih dan nefritis dari pelvis ginjal selengkapnya ditunjukkan pada tabel dibawah ini.
TABLE II.
Gambar 4.
Halaman Data Testing Pada gambar 4 merupakan halaman data testing, pengguna dapat mengelola data testing meliputi:
menambahkan, mengubah dan menghapus data testing.
Halaman Bobot Awal DAFTAR FITUR DAN NILAI SATUAN Variable Suhu tubuh Mual Sakit lumbar / punggung Dorongan buang kecil terusmenerus Nilai Numeric .
Tidak, .
Ya .
Tidak, .
Ya .
Tidak, .
Ya ISSN 2615-5788 Print .
JURNAL TEKNIK ELEKTRO DAN KOMPUTER TRIAC https://journal.
id/triac Gambar 5.
Halaman Bobot Awal Pada gambar 5 merupakan halaman bobot awal, pengguna dapat menentukan bobot awal secara default Vol 8 No.
@ Achmad Izaaz maupun acak yang diambil dari data training berdasarkan tiap kelasnya.
Halaman Training Sebelum melakukan proses learning vector quantization, pengguna harus menginisialisasi parameter terlebih dulu, meliputi: meliputi nilai maksimum epoch yang digunakan untuk menghentikan program apabila menghasilkan nilai luaran yang sama, serta learning rate () yang menggambarkan laju pembelajaran.
Semakin besar , semakin besar laju pembelajaran.
Decrement merupakan besaran nilai yang digunakan untuk mengurangi nilai learning rate () agar mendekati bobot ideal.
Min () adalah nilai terkecil dari learning rate () yang diinginkan.
metode learning vector quantization pada klasifikasi radang kandung kemih dan nefritis dari pelvis ginjal mendapatkan tingkat akurasi sebesar 86.
Sebagaimana ditunjukkan pada Gambar 7 Gambar 7.
Hasil Akurasi IV.
KESIMPULAN
Berdasarkan hasil dari penelitian dengan metode Learning vector quantiation pada klasifikasi radang kandung kemih dan nefritis dari pelvis ginjal dapat disimpulkan Gambar 6.
Setting Parameter Pada gambar 6 merupakan halaman untuk mengatur paramater yang akan digunakan dalam proses training dan Ketika tombol di submit maka akan dilanjutkan ke proses perhitungan algoritma learning vector quantization.
Hasil dari proses perhitungan ini, mendapatkan nilai bobot terbaik dari pembelajaran pada data training dengan menggunakan metode learining quantization vector.
Implementasi metode Learning vector quantization pada sistem klasifikasi radang kandung kemih dan nefritis dari pelvis ginjal Akurasi yang didapatkan dari pelatihan dengan 67 data training dan 23 data testing mendapatkan tingkat akurasi 86.
95652173913% dengan parameter learning rate sebesar 0.
5, maksimal epoch sebanyak 2, minimal error sebesar 0.
dan dec sebesar 0.
Sistem klasifikasi radang kandung dan nefritis dari pelvis ginjal dengan metode learning vector quantization masih memiliki kekurangan yang harus diperbaiki sehingga diharapkan adanya pengembangan lebih lanjut.
Saran yang dapat digunakan sebagai acuan untuk pengembangan selanjutnya adalah sistem ini hanya mampu mengklasifikasi 2 penyakit yaitu: radang kandung kemih dan nefritis dari pelvis ginjal.
Sistem masih dapat dikembangkan agar mampu melakukan klasifikasi penyakit yang lebih banyak lagi.
DAFTAR PUSTAKA