SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM, 2019

Ukuran Huruf:  Kecil  Sedang  Besar

Self Organizing Map (SOM) untuk Diagnosis Penyakit Jantung Koroner

Wahyuningrum Putri Yula

Abstrak


RINGKASAN

Wahyuningrum, Putri Yula. 2019. Self Organizing Map (SOM) untuk Diagnosis Penyakit Jantung Koroner. Skripsi, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing. (I) Triyanna Widiyaningtyas, S.T., M.T. (II) Ilham Ari Elbaith Zaeni, S.T., M.T., Ph.D.

Kata Kunci: Self Organizing Map, Penyakit Jantung Koroner, diagnosis.

Penyakit Jantung Koroner (PJK) merupakan salah satu penyakit yang menjadi penyebab kematian tertinggi di berbagai negara, termasuk Indonesia. Penyebab PJK secara pasti belum diketahui, meskipun demikian secara umum diketahui berbagai faktor yang berperan penting terhadap timbulnya PJK yang disebut faktor resiko PJK. Dikarenakan banyak faktor yang mempengaruhinya sehingga diagnosis awal merupakan hal yang sangat penting. Dalam melakukan diagnosis diperlukan klasifikasi untuk mengidentifikasi seseorang beresiko terkena PJK. Penelitian ini bertujuan untuk mengimplentasikan metode jaringan syaraf tiruan Self Organizing Map (SOM) untuk klasifikasi PJK dan menguji tingkat akurasi PJK dengan metode SOM. Penelitian dilakukan dengan menggunakan metode eksperimen, dengan tahapan meliputi pengumpulan data, pre-processing data, proses klasifikasi, validasi, dan evaluasi. Proses pengumpulan data diperoleh dari laboratorium RSI Sakinah Mojokerto sebanyak 200 data. Proses pre-processing data dilakukan dengan reducing of attributes dan normalisasi data. Pada proses klasifikasi data  menggunakan metode SOM dengan metode validasi holdout cross validation. Pada proses evaluasi menggunakan confusion matrix dengan bantuan software rstudio versi 3.5.3 untuk menghitung nilai accuracy, precision, recall, dan error rate. Hasil penelitian menunjukkan bahwa tingkat akurasi paling optimal pada perbandingan data training dan testing 4:1. Nilai pengukuran kinerja yang diperoleh adalah akurasi sebesar 62.5%, precission 60.33%, recall 63.33%, dan error rate 37.5% dengan parameter learning rate 0.05, minimal learning rate 0.01, maksimal iterasi 100. Berdasarkan hasil tersebut, maka dapat disimpulkan kinerja yang dihasilkan kurang maksimal dari peelitian sebelumnya karena perbedaan objek yang diteliti.