implementasi learning vector quantization untuk diagnosa penyakit diabetes mellitus
TRANSCRIPT
Implementasi Learning Vector Quantization untuk Diagnosa Penyakit
Diabetes Mellitus
Fajar Rohman [email protected]
Universitas Nusantara PGRI Kediri
OutLine
Latar Belakang
Perumusan Masalah
Tujuan dan Manfaat
Batasan Masalah
Metode Penelitian
Perancangan Sistem
Ujicoba Analisis
Kesimpulan dan Saran
Indonesia peringkat 4 dunia 2030 -> 21,3 jt Keterlambatan penegakan DM LVQ Alat diagnosa DM
menggunakan metode LVQ?
Tujuan : Membuat suatu aplikasi alat
bantu medis LVQ ? Lebih cepat dan akurat.
Manfaat : LVQ = ? Bisa mengetahui hasil diagnosa
pasien dengan lebih cepat. Sebagai alat bantu medis
dalam penegakan diagnosis Diabetes Mellitus.
Menggunakan metode Learning Vector Quantization.
Ada 8 variabel, yaitu kadar glukosa darah puasa, kadar glukosa plasma puasa, kadar glukosa plasma tidur, kadar insulin, kadar HbA1c, kadar kolesterol HDL, kadar trigliserida, dan umur.
Data - data diagnosa pasien dikelompokkan menjadi 3 class
Metode PenelitianStudi Literatur
Studi Lapangan
Identifikasi metode analisis
Pengumpulan Data
Analisa dan Perancangan SIstem
Implementasi SIstem Pengujian SIstem
Sesuai? Penyusunan LaporanTIDAK YA
Tinjauan PustakaPenelitian Sebelumnya
No JuduL PenelitiaN Oleh / Tahun Akurasi
1 Sistem Pendukung Keputusan Diagnosa Penyakit Diabetes Melitus Menggunakan Metode Sugeno
Mariani Valentina Tampubolon / 2010
Sama dengan manual ??
2 Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tanda Tangan
Difla Yustisia Qur’ani / 2010
98%
3 Police Number Identification Using Artificial Neural Network (Learning Vector Quantization)
Eko Sri Wahyono / 2009
72,5%
4 Identifikasi Tekstur Citra Bubuk Susu Menggunakan Alihragam Gelombang-singkat Untuk Mendeteksi Keaslian Produk Susu
Supatman / 2008 • Susu Asli 93,94%• Susu Campuran
93,10%• Susu lain 84,62%
5 Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Angka
Riyanto Sigit , Arakawa Shinji , Shibata Hisashi / 2001
87,7%
Tinjauan PustakaJST
• JARINGAN SYARAF TIRUAN– PENENTUAN BOBOT
• SUPERVISED LEARNING• UNSUPERVISED LEARNING
Tinjauan PustakaLearning Vector Quantitation (LVQ)
• Jaringan Syaraf LVQ termasuk dengan Supervised Learning
• Prinsip kerja dari algoritma LVQ adalah pengurangan node-node tetangganya (neighbour)
dimana:dj
2 = distance
Xi = Node data input
Wij = Bobot ke-ij
Tinjauan PustakaLearning Vector Quantitation (LVQ)
Start
Target=C T
W(baru)=W(lama)+α(x-w(lama))
W(baru)=W(lama)-α(x-w(lama))
Learning rate - - i++
i<n
(Epoh<max) or (alpha>eps)
C=||X-Wj||
Selesai
Epoh=epoh+1
Inisialisai MaxEpoh , Eps, danLearning rate (alpha)
Tetapkan Data Learning dan Bobot
awal (W)
Y
Y
T
T
Y
i=1
Tinjauan PustakaDiabetes Melitus
Diabetes mellitus (DM) didefinisikan sebagai suatu penyakit atau gangguan metabolisme kronis dengan multi etiologi yang ditandai dengan tingginya kadar gula darah disertai dengan gangguan metabolisme karbohidrat, lipid dan protein sebagai akibat insufisiensi fungsi insulin. Insufisiensi fungsi insulin dapat disebabkan oleh gangguan atau defisiensi produksi insulin oleh sel-sel beta Langerhans kelenjar pankreas, atau disebabkan oleh kurang responsifnya sel-sel tubuh terhadap insulin
Diabetes Melitus• Diabates Mellitus Type 1 / Insulin Dependent Diabates Melitus • Diabetes Melitus Type 2 / Non Insulin Dependent Diabates Melitus
Perancangan Sistem
Pelatihan LVQ
Data Learning
PELATIHAN
BobotLVQ
PENGENALAN
Pengenalan
Data Inputan
Hasil Klasifikasi
Input Data
PasienMULAI
Learning Vector Quantization
HasiL Diagnosa
PasienSELESAIBobot
Perancangan SistemStart
Target=C T
W(baru)=W(lama)+α(x-w(lama))
W(baru)=W(lama)-α(x-w(lama))
Learning rate - - i++
i<n
(Epoh<max) or (alpha>eps)
C=||X-Wj||
Selesai
Epoh=epoh+1
Tetapkan Data Learning (Data
diagnosa pasien dan targetnya), dan Bobot awal (W)
Y
Y
T
T
Y
Inisialisai MaxEpoh=200 , Eps=0, danLearning rate (alpha)=0,01
i=1
Perancangan Sistem
Managemen Data User
Admin
Laboran
LogIn
<<include>>
Mendapatkan BobotManagemen Metode LVQ
<<include>>
<<extend>>
Managemen Data Pasien
<<include>>
Mendiagnosa Pasien
<<include>>
Managemen Data Pemeriksaan
<<include>>
<<extend>>
<<extend>>
Analisa
Learning rate Akurasi Pengenalan
0,01 68%
0,02 69%
0,03 69%
0,04 69%
0,05 69%
0,06 69%
0,07 69%
0,08 69%
0,09 69%
0,1 69%
? Range datatidak sama?
Analisa
GDP GPP GPT HbA1c HDL Trig Ins Umur Indek
159 144 135 1 76 146 2 32 1
157 135 80 2 22 170 7 51 2
Analisa
Learning rate Akurasi Pengenalan
0,01 86%
0,02 86%
0,0386%
0,0486%
0,0586%
0,0686%
0,0786%
0,0886%
0,0986%
0,186%
%
68%-69%
%o
86%
Analisa
Jumlah Data Learning
Jumlah Data Pelatihan
AkurasiDM Type 1
DM Type 2
Negatif DM
300 98 96 106 86 %
200 64 64 72 74,5 %
100 33 33 34 55 %
Tabel Akurasi untuk jumlah data learning yang berbeda
UjicobaAkurasi
Normal Swap
Data Learning 25% 55 %(165/300)
81% (81/100)
Data Learning 50% 74,5% (149/200)
64% (128/200)
Data Learning 75% 86% (86/100)
57% (171/300)
Tabel Akurasi untuk swap data learning dan ujicoba
Data LearningData Ujicoba Akurasi
100 100 59 %
100 200 58,5 %
100 300 55%
200 100 76
200 200 74,5 %
300 100 86%
Tabel Akurasi untuk jumlah data learning dan ujicoba yang berbeda
Analisa
No Learning rate Akurasi Pengenalan
1 0,1 86%
2 0,2 86%
3 0,3 46%
4 0,4 28%
5 0,528%
6 0,628%
7 0,728%
8 0,828%
9 0,928%
10 128%
No Learning rate Akurasi Pengenalan
1 0,21 86%
2 0,22 86%
3 0,23 86%
4 0,24 86%
5 0,25 86%
6 0,26 45%
7 0,27 45%
8 0,28 45%
9 0,29 34%
10 0,3 45%
Jumlah data yang berhasil dekenali untuk class -
Negatif Diabetes (34)
DM Type 1 (33)
DM Type 2 (33)
26 (76,4%) 29 (87,8%) 31 (93,3%)
Kesimpulan dan Saran
Kesimpulan– Dari hasil percobaan dapat diketahui bahwa metode LVQ kurang
bagus apabila digunakan untuk data yang range untuk tiap attribute datanya tidak sama.
– % -- > 0/00. --> 86% untuk learning rate 0,01 – 0,25
Saran– Untuk mendapatkan akurasi yang lebih baik , mungkin bisa
dikembangkan dengan memakai metode yang berbeda, atau menggabungkan dengan metode lain
– Untuk parameter bisa ditambahi, karena ada faktor-faktor lain yang mungkin bisa membantu diagnosa DM