Dewasa ini kecermatan dan ketepatan dalam hal klasifikasi data merupakan hal yang sangat penting. Hasil klasifikasi data dengan beberapa metode yang telah dikembangkan akan mempengaruhi sejumlah keputusan. Machine learning berpotensi untuk membantu mengambil sebuah keputusan yang sederhana namun akurat. Metode-metode pada machine learning telah banyak digunakan dalam banyak aplikasi salah satunya adalah pada permasalahan prediksi penyakit. Penelitian ini menampilkan kinerja dari metode Learning Vector Quantization LVQ dan support vector machine SVM. Tujuan penelitian ini adalah untuk membandingkan kinerja LVQ dan SVM dalam memprediksi penyakit jantung koroner. Dataset yang digunakan yaitu data rekam medis yang terdiri dari jenis kelamin usia pekerjaan kadar glukosa kadar kolesterol kadar trigliserida kadar Lactic Dhydrogenas kadar Density Lipoprotein dan kadar asam urat. Data ditraining dengan menggunakan kedua metode tersebut. Setelah semua data sampel ditraining selanjutnya hasil training keduanya dibandingkan untuk melihat performansi masing-masing metode dengan permasalahan penyakit jantung koroner. Meskipun arsitektur dari kedua metode memberikan performansi klasifikasi yang hampir sama namun terlihat bahwa jaringan SVM memberikan tingkat akurasi yang lebih tinggi yaitu sebesar 90.2778 dibandingkan jaringan LVQ sebesar 68.0556.


ABSTRACT

Nowadays incredible detail and accuracy in terms of data classification is very important. Results of classification data with some of the methods that have been developed will affect a number of decisions. Machine learning has the potential to help take a simple yet accurate decision. Methods in machine learning has been widely used in many applications one of which is on problem prediction of disease. These studies showing the performance of the method of Learning Vector Quantization LVQ and support vector machine SVM. The purpose of this study was to compare the performance of the LVQ and SVM to predict coronary heart disease. The Dataset used i.e. medical record data consisting of gender age employment levels of glucose cholesterol levels triglyceride levels levels of Lactic Dhydrogenas Density Lipoprotein levels and the levels of uric acid. The Data might not trained to use both of these methods. The Dataset used i.e. medical record data consisting of gender age employment levels of glucose cholesterol levels triglyceride levels levels of Lactic Dhydrogenas Density Lipoprotein levels and the levels of uric acid. The Data might not trained to use both of these methods. After all the data samples and results might not trained training both in comparison to see the performance of each method with coronary heart disease problems. Although the architecture of both methods give similar classification performance but to see that SVM networks provide higher accuracy is 90.2778 than the LVQ network. 68.0556.

1.  ITS-Master-39578-1212201012-abstract_id.pdf - 261 KB
2.  ITS-Master-39578-1212201012-abstract_en.pdf - 260 KB
3.  ITS-Master-39578-1212201012-conclusion.pdf - 257 KB

• PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN SUPPORT VECTOR MACHINE (SVM) UNTUK PREDIKSI PENYAKIT JANTUNG KORONER