Publisher

UnijoyoUnijoyo

Journal Jurnal Teknik Elektro dan Komputer TRIACJurnal Teknik Elektro dan Komputer TRIAC Abstract

Infeksi saluran kemih merupakan suatu infeksi yang disebabkan oleh pertumbuhan mikroorganisme di dalam saluran kemih manusia. Radang kandung kemih dan nefritis dari pelvis ginjal merupakan salah satu infeksi saluran kemih. Diagnosis radang kandung kemih dan nefritis 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 menunjukkan bahwa penggunaan metode Learning Vector Quantization dengan parameter learning rate 0,5, minimal error 0,0001, dan maksimal epoch 2 mendapatkan tingkat akurasi sebesar 86,95652173913% dari pengujian data testing sebanyak 23 dan data training sebanyak 67. Kesimpulan semakin banyak nilai epoch dan nilai learning rate maka semakin baik hasil yang didapatkan.

Conclusion

Implementasi metode Learning Vector Quantization dapat digunakan untuk mengklasifikasi radang kandung kemih dan nefritis dari pelvis ginjal.Tingkat akurasi yang dicapai sebesar 86,95652173913% dengan parameter learning rate 0,5, maksimal epoch 2, dan minimal error 0,0001.Pengembangan lebih lanjut diperlukan agar sistem mampu mengklasifikasi lebih dari dua jenis penyakit.

Future Research

Pertama, perlu dikembangkan penelitian yang menguji kemampuan metode Learning Vector Quantization dalam mengklasifikasi lebih dari dua jenis penyakit saluran kemih, seperti pielonefritis, uretritis, dan infeksi saluran kemih rekuren, agar sistem diagnosis menjadi lebih komprehensif. Kedua, penting untuk mengevaluasi pengaruh penambahan fitur klinis tambahan, seperti hasil urinalisis, hitung darah lengkap, dan riwayat antibiotik, terhadap akurasi klasifikasi, karena fitur-fitur ini dapat meningkatkan keakuratan model dalam membedakan diagnosis yang mirip. Ketiga, penelitian lanjutan dapat membandingkan kinerja Learning Vector Quantization dengan metode pembelajaran mesin lainnya, seperti Support Vector Machine atau Neural Network, menggunakan dataset yang sama untuk menentukan pendekatan terbaik dalam klasifikasi penyakit saluran kemih secara otomatis. Pengembangan ini akan memperkuat validitas sistem komputerisasi dalam konteks klinis nyata. Dengan memperluas jumlah kelas penyakit, menambahkan data klinis yang lebih lengkap, serta melakukan evaluasi komparatif antar metode, sistem dapat menjadi alat bantu diagnosis yang lebih andal dan praktis di lingkungan medis. Penelitian-penelitian tersebut perlu dilakukan secara bertahap agar hasilnya dapat divalidasi secara menyeluruh. Fokus pada variasi parameter dan kualitas data pelatihan juga menjadi aspek penting dalam pengembangan model. Eksplorasi terhadap normalisasi data dan reduksi dimensi juga dapat dilakukan untuk meningkatkan efisiensi. Pengembangan sistem yang lebih adaptif terhadap perubahan data pasien dari waktu ke waktu juga layak diteliti. Semua saran ini bertujuan untuk menciptakan sistem klasifikasi penyakit ginjal dan saluran kemih yang lebih akurat, luas cakupannya, dan siap untuk diimplementasikan dalam praktik medis.

Metadata

File size	1.47 MB
Pages	4
DMCA	Report