Alfin Lathifatul Arifah, Suhartono

Sistem Prediksi Kista Ovarium Menggunakan Jaringan Syaraf

Tiruan Metode Learning Vector Quantization (LVQ)
Alfin Lathifatul Arifah dan Suhartono

Departemen Ilmu Komputer/ Informatika, Fakultas Sains dan Matematika

Universitas Diponegoro
1
[email protected], [email protected]

Abstract

An ovarian cyst is a sac filled with liquid material that arises in an ovary. People often underestimate an ovarium
cyst because they do not feel the early symptoms, until they realize the condition of cyst has been growing and
disrupting their daily activities. Ovarium cyst is not harmful enough, but if it is neglected and get improper
treatment, it will develop into ovarian cancer. According to the World Health Organization (WHO), ovarian
cancer is the fourth most dangerous cancer that mostly found in woman in the worldwide after breast cancer,
colorectal, and uterine corpus. Based on these facts, one of causes of ovarian cancer is started from unrealized
ovarian cyst that did not get early proper treatment. Thus, ovarian cancer can be prevented by early detection of
ovarian cyst through symptomps. The purpose of this research is to establish an ovarian cyst prediction system
using a model of Artificial Neural Network (ANN) Learning Vector Quantization. Variables that are used as
prediction data are experienced physical symptoms. There are 7 symptoms variable in this research. The data
were taken from medical records of RSUP Dr Kariadi Semarang, there are 90 data distribution of training data
and test data uses K-Fold strategy with K-value 10. The results of research show that the best LVQ network
architecture for the prediction are obtained when using a learning rate value of 0.02, epsilon 0.01, and the
maximum epoch 1000. The best parameters combination in this research result in accuracy 72.22%, error 27.78%,
sensitivity 28.65% and specificity 86.11%.
Keywords : Ovarian Cysts Prediction System , Ovarian Cyst Prediction, Ovarian Cysts , artificial neural
network (ANN) , Learning Vector Quantization , LVQ

Abstrak

Kista ovarium (kista indung telur) adalah kantung berisi cairan yang terletak di ovarium. Masyarakat sering
menganggap remeh penyakit kista ovarium karena gejala awal yang timbul tidak terlalu dirasakan, sehingga saat
diketahui kondisi kista sudah membesar dan mengganggu aktivitas sehari-hari. Kista ovarium tidak terlalu bahaya,
namun jika diabaikan dan tidak mendapatkan penanganan yang tepat, maka kista ovarium dapat berkembang
menjadi kanker ovarium. Menurut World Health Organization (WHO), kanker ovarium masuk ke dalam kanker
berbahaya keempat yang paling sering ditemukan pada wanita di seluruh dunia setelah kanker payudara,
kolorektal, dan korpus uteri. Dari fakta tersebut, salah satu penyebab kanker ovarium adalah berawal dari kista
ovarium yang tidak disadari dan tidak mendapatkan penanganan awal yang tepat. Salah satu langkah untuk
mencegah kasus kanker ovarium adalah dengan mencegahnya dari penyebab paling awal yaitu pendeteksian dini
kista ovarium melalui gejala yang muncul. Penelitian ini bertujuan untuk membangun sebuah sistem prediksi kista
ovarium menggunakan Jaringan Saraf Tiruan (JST) metode Learning Vector Quantization. Variabel yang
digunakan sebagai data prediksi berupa gejala fisik yang dialami. Terdapat 7 variabel gejala yang digunakan dalam
penelitian ini. Seluruh data penelitian diambil berdasarkan data rekam medis dari RSUP Kariadi Semarang
sejumlah 90 data. Identifikasi data latih dan data uji menggunakan strategi K-Fold dengan K bernilai 10. Hasil
penelitian menunjukkan bahwa arsitektur jaringan LVQ terbaik untuk prediksi diperoleh pada nilai learning rate
0.02, epsilon 0.01, dan maksimum epoch 1000. Kombinasi parameter terbaik dalam penelitian menghasilkan
tingkat akurasi 72.22%, error 27.78%, sensitivitas 28.65% dan spesifisitas 86.11%.
Kata kunci : Sistem Prediksi Kista Ovarium, Prediksi Kista Ovarium, Kista Ovarium, Jaringan saraf tiruan
(JST), Learning Vector Quantization, LVQ

1. Pendahuluan disebabkan oleh gangguan pembentukan hormon pada

Kista ovarium (kista indung telur) adalah kantung hipotalamus, hipofisis dan ovarium [9]. Fungsi
berisi cairan yang terletak di ovarium. Kista ovarium ovarium yang utama adalah menghasilkan sel telur

Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930 1

Sistem Prediksi Kista Ovarium Menggunakan Jaringan Syaraf Tiruan Metode Learning Vector Quantization (LVQ)

(ovum), menghasilkan hormon (progesteron dan digunakan untuk pengenalan pola, peramalan atau
estrogen), dan ikut serta mengatur haid [24]. Jaringan prediksi, deteksi kemiripan, dan klasifikasi.
ovarium sangat dinamik, dipengaruhi oleh rangsang Salah satu metode jaringan dalam jaringan syaraf
hormonal sejak dari masa pubertas hingga menopause. tiruan adalah Learning Vector Quantization (LVQ)
Hal ini merupakan alasan mengapa banyak kista atau [6]. LVQ adalah suatu metode klasifikasi pola yang
tumor jinak timbul di ovarium. masing-masing unit input mewakili kategori atau
Masyarakat sering menganggap remeh penyakit kelompok tertentu. Pemrosesan yang terjadi pada
kista ovarium karena gejala awal yang timbul tidak setiap neuron adalah mencari jarak terdekat antara
terlalu dirasakan, sehingga saat diketahui kondisi suatu vektor masukan ke bobot yang bersangkutan.
penyakit ini sudah membesar dan mengganggu Jaringan syaraf tiruan LVQ banyak digunakan dalam
aktivitas sehari-hari. Kista ovarium ini tidak terlalu bidang medis karena karekteristik tersebut. Penelitian
bahaya, namun jika diabaikan dan tidak mendapatkan bidang medis terkait LVQ dilakukan oleh Yanti (2015)
penanganan yang tepat maka dapat berkembang berkaitan deteksi dini gangguan pernafasan
menjadi kanker ovarium [15]. Menurut World Health menggunakan tujuh input gejala dan empat output
Organization (WHO), kanker ovarium merupakan gangguan pernafasan. Berdasarkan penelitian tersebut,
kanker berbahaya keempat yang paling sering jaringan saraf tiruan LVQ dapat digunakan untuk
ditemukan pada wanita di seluruh dunia setelah kanker memprediksi penyakit gangguan pernafasan dengan
payudara, kolorektal, dan korpus uteri [10]. Dari fakta tingkat akurasi mencapai 80% [11]. Melihat penelitian
tersebut, salah satu penyebab sebuah kanker ovarium tersebut, maka penelitian ini akan mencoba
adalah berawal dari kista ovarium yang tidak disadari menerapkan metode LVQ untuk memprediksi
dan tidak mendapatkan penanganan awal yang tepat. penyakit kista ovarium. Hal ini dapat didukung dengan
Sehingga, dibutuhkan pencegahan dini kanker sebuah sistem berbasis web yang dapat diakses dimana
ovarium dari awal melalui ada atau tidaknya kista saja dan kapan saja melalui jaringan internet.
ovarium agar penyakit dapat segera dideteksi dan Sistem berbasis web memiliki kelebihan dapat
ditangani secara tepat. dengan mudah diakses dari jarak jauh melalui browser
Kista ovarium dapat dideteksi dengan melakukan tanpa harus melakukan installasi software [8]. Oleh
ultrasologi (USG), CT-scan, pemeriksaan ginekologis karena itu, sistem prediksi kista ovarium dapat diakses
(fisik), dan laparoskopi [2]. Namun, alasan waktu dan dimana dan kapan saja jika dibuat berbasis web.
biaya alat deteksi yang terbilang mahal menyebabkan Dengan adanya sistem ini diharapkan dapat membantu
masyarakat mengabaikan untuk memeriksakan diri ke masyarakat dalam mengetahui secara dini penyakit
dokter saat gejala mulai muncul. Padahal mengetahui kista ovarium agar mendapatkan pemeriksaan lanjut
ada tidaknya penyakit kista ovarium dalam diri secara tepat.
diperlukan dengan mengetahui gejala yang dialami, Tujuan yang ingin dicapai adalah menghasilkan
agar selanjutnya mendapatkan penanganan secara sebuah sistem berbasis web yang dapat digunakan
tepat. Pendeteksian ini dapat dilakukan oleh diri untuk memprediksi penyakit kista ovarium
sendiri dengan memperhatikan gejala-gejala yang berdasarkan gejala menggunakan jaringan syaraf
muncul pada tubuh. Hal ini dapat didukung dengan tiruan metode LVQ. Manfaat yang diharapkan dari
bantuan teknologi yang semakin berkembang. penelitian ini adalah sistem yang dikembangkan dapat
Perkembangan teknologi yang semakin canggih, memberikan prediksi kista ovarium berdasarkan gejala
memudahkan manusia dalam mengambil keputusan serta meningkatkan pengetahuan masyarakat tentang
atau memprediksi suatu hal. Komputer dapat bekerja penyakit kista ovarium.
meniru cara kerja otak manusia sehingga dapat
menimbang dan mengambil keputusan yaitu dengan 2. Tinjauan Pustaka
menggunakan metode jaringan syaraf tiruan. Jaringan
Kista Ovarium
syaraf tiruan adalah sistem komputasi yang memiliki
Kista ovarium merupakan suatu pengumpulan
arsitektur dan operasi diilhami dari pengetahuan
cairan yang terjadi pada indung telur atau ovarium.
tentang sel syaraf biologis dalam otak, salah satu
Cairan yang terkumpul ini dibungkus oleh semacam
representasi buatan dari otak manusia yang selalu
selaput yang terbentuk dari lapisan terluar dari
mencoba menstimulasi proses pembelajaran pada otak
ovarium. Penyakit kista ini sebenarnya merupakan
manusia tersebut. Jaringan syaraf tiruan memiliki
penyakit tumor jinak, karena kebanyakan
kemampuan untuk belajar, selain itu juga mampu
penanganannya tidak melalui operasi besar [5].
menghasilkan aturan atau operasi dari beberapa contoh
Terdapat dua sifat kista, yakni kista non-neoplastik,
atau input yang dimasukkan, dan membuat prediksi
yang sifatnya jinak dan biasanya akan mengempis
tentang kemungkinan output yang akan muncul [4].
sendiri setelah 2 hingga 3 bulan. Serta kista neoplastik,
Jaringan syaraf tiruan memiliki banyak model yang

2 Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930

 Alfin Lathifatul Arifah, Suhartono

kista ini umumnya harus dioperasi, namun hal itu pun c. Untuk k = 1 sampai n
tergantung pada ukuran dan sifatnya. 𝑛 𝟐
Hitung nilai Sik = √∑ (𝒙𝒊𝒋 − 𝒘𝒌𝒋 )
Kebanyakan kista tidak berbahaya. Namun, 𝒋=𝟏

beberapa dapat menimbulkan masalah, mulai dari i. Tentukan nilai Sik terkecil dan simpan k
nyeri haid, kista pecah, perdarahan, hingga penyakit ii. Bandingkan nilai k dengan Y. Perbaiki wk
serius, seperti terlilitnya batang ovarium, gangguan dengan ketentuan:
kehamilan, infertilitas hingga kanker endometrium. a. Jika k = Y maka,
Beberapa penyebab kista ovarium antara lain faktor Wk(baru) = wk(lama)+α*(xi–wk(lama))
keturunan atau genetika, pola hidup yang salah, b. Jika k ≠ Y maka,
menstruasi datang terlalu dini, serta penggunaan pil Wk(baru)= wk(lama) –α*(xi–wk(lama))
pencegah kehamilan [2]. 5. Kurangi nilai α
Gejala Kista Ovarium α=α–(0.1* α)
Berikut ini dapat dicermati gejala kista secara Keterangan :
umum, antara lain [12]. i : indeks untuk jumlah data pelatihan
1. Rasa nyeri di rongga panggul. j : indeks untuk variabel penentu jenis kista
2. Rasa nyeri saat menstruasi. ovarium
3. Perut membesar, ada benjolan di perut bagian k : indeks untuk kelas kista ovarium
bawah. m : jumlah data pelatihan
4. Menstruasi yang memanjang (> 14 hari) atau n : jumlah kelas kista ovarium
memendek (< 3 hari). x : vektor pelatihan
5. Siklus menstruasi yang tidak teratur. Y : Target pelatihan
6. Gangguan fungsi saluran cerna (perut kembung, wkj : Vektor bobot kelas ke-k
diare, susah menelan, susah mengunyah). Sik :Nilai Euclidean Distance vektor pelatihan ke-i
7. Mual dan muntah. dan kelas ke-k

Jaringan Syaraf Tiruan Metode Learning Vector 3. Pembahasan

Quantization (LVQ) Pengumpulan Data
Jaringan saraf tiruan adalah paradigma pengolahan Data yang digunakan dalam penelitian ini
informasi yang terinspirasi oleh sistem saraf biologis, didapatkan melalui rekam medis pasien yang ada di
seperti proses informasi pada otak manusia. Elemen RSUP Kariadi Semarang dalam kurun waktu 3 tahun
kunci dari paradigma ini adalah struktur dari sistem mulai dari Januari 2013 hingga Desember 2015
pengolahan informasi yang terdiri dari sejumlah besar sebanyak 90 data. Data yang diperlukan yaitu data
elemen pemrosesan yang saling berhubungan, bekerja pasien yang menderita kista ovarium beserta gejala,
serentak untuk menyelesaikan masalah tertentu. serta data pasien bukan kista ovarium. Data penelitian
Jaringan syaraf tiruan dikonfigurasikan untuk sistem menggunakan data yang balance yaitu dari tiap kelas
tertentu, seperti pengenalan pola atau klasifikasi data, memiliki jumlah data yang sama antara lain kista
melalui proses pembelajaran [9]. folikuler berjumlah 30 data, kista korpus luteum
Learning Vector Quantization (LVQ) merupakan berjumlah 30 data dan bukan kista ovarium berjumlah
salah satu metode jaringan syaraf tiruan. LVQ adalah 30 data.
sebuah metode pengklasifikasi pola jaringan
kompetitif dan setiap unit keluaran merepresentasikan Mapping Data
sebuah kelas atau kategori tertentu. Selama pelatihan, Tahapan mapping data dilakukan untuk
unit keluaran dimodifikasi (dengan merubah nilai mengidentifikasi data yang telah diperoleh ke dalam
bobot melalui pelatihan terawasi) untuk arsitektur jaringan LVQ. Data diidentifikasi menjadi
memperkirakan keputusan [1]. data input neuron dan data output neuron. Data input
Algoritma dari pelatihan metode LVQ adalah neuron adalah tujuh gejala kista ovarium yaitu nyeri
sebagai berikut: panggul, nyeri mens, benjolan perut, mens lama/
1. Tetapkan bobot awal, maksimum epoch, epsilon singkat, mens tidak teratur, gangguan cerna, dan mual
dan learning rate (α) muntah, sedangkan yang menjadi data output neuron
2. Masukkan input x dan target (Y) adalah tiga kelas klasifikasi yaitu kista folikuler, kista
3. Tetapkan kondisi awal epoch = 0 korpus luteum, dan bukan kista ovarium.
4. Kerjakan jika (epoch < maksimum epoch) atau (α Normalisasi Data
> epsilon) Variabel semua data yang digunakan pada
a. Epoch = epoch + 1 penelitian adalah data non numerik. Pada normalisasi
b. Untuk i = 1 sampai m variabel data non numerik, dilakukan proses
Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930 3
Sistem Prediksi Kista Ovarium Menggunakan Jaringan Syaraf Tiruan Metode Learning Vector Quantization (LVQ)

penskalaan nilai atribut dari data sehingga bisa terletak menggunakan confusion matrix untuk mendapatkan
pada rentang 0 sampai 1 menggunakan persamaan akurasi, error, sensitivitas, dan spesifisitas.
berikut [1].
r −1
x=
R −1
Keterangan :
x : nilai hasil normalisasi
r : nilai peringkat penskalaan
R : nilai peringkat penskalaan terbesar
Pembentukan Data Latih dan Data Uji (K-Fold
Cross Validation)
Setelah melalui proses normalisasi, data akan
diproses menggunakan K-Fold Cross Validation
dengan K bernilai 10, dataset akan dibagi menjadi 10
partisi dan tiap partisi terdiri dari jumlah kelas yang
sama. Arsitektur LVQ dapat dilihat pada Gambar 3.1.

Gambar 3.1 Arsitektur LVQ

Keterangan:
i : indeks untuk jumlah data pelatihan Gambar 3.2. Flowchart Pelatihan
k : indeks untuk kelas klasifikasi
j : indeks untuk variabel penentu gejala kista 4. Eksperimen
ovarium
Eksperimen 1
Pelatihan Eksperimen 1 bertujuan untuk melihat pengaruh
Proses pelatihan dilakukan berdasarkan flowchart dari variasi jumlah maksimum epoch yang
pada Gambar 3.2. menghasilkan akurasi paling tinggi. Maksimum epoch
Pengujian yang diteliti adalah 100, 500, dan 1000. Penentuan
Pengujian dihitung setelah mendapat nilai bobot bobot random, learning rate antara 0.01-0.09, dan
latih. Bobot tersebut dan data pengujian akan dihitung epsilon 0. Hasil eksperimen 1 ditunjukkan pada Tabel
euclidean distance kemudian dicari jarak terkecil. 4.1.
Kelas yang memiliki jarak terkecil, maka vektor uji Tabel 4.1. Hasil Eksperimen 1
masuk ke dalam kelas tersebut. N Learning Eps Maks Akurasi Error
Evaluasi o rate Epoch
Setelah melakukan perhitungan pengujian, maka 1 0.01 0 100 51.11% 48.89%
dilanjutkan dengan perhitungan evaluasi 2 0.04 0 500 52.22% 47.78%
3 0.01 0 1000 56.67% 43.33%

4 Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930

 Alfin Lathifatul Arifah, Suhartono

Berdasarkan hasil eksperimen 1, nilai akurasi terbaik. Strategi 1 memiliki parameter learning rate
tertinggi diperoleh ketika maksimum epoch berada antara 0.1 sampai dengan 0.9, epsilon 0.01 sampai
pada nilai 1000. Maksimum epoch ini digunakan pada 0.000001, maksimum epoch 1000, dan bobot awal 0.5.
eksperimen 2 dan 3. Strategi 2 memiliki parameter learning rate (α),
epsilon, dan maksimum epoch yang sama dengan
Eksperimen 2
strategi 1, namun bobot awal yang digunakan random.
Pada eksperimen 2, terdapat 2 strategi untuk
Perbandingan eksperimen 2 strategi 1 dan 2 dapat
mengetahui nilai akurasi, sensitivitas, dan spesifisitas
dilihat pada Tabel 4.2.
Tabel 4.2. Hasil Eksperimen 2
Strategi Learning rate Epsilon Akurasi (%) Error Sensitivitas Spesifisitas
(%) (%) (%)
1 0.3 0.0001 53.33 46.67 26.99 76.67
2 0.1 0.0001 54.44 48.89 25.80 77.22

eksperimen ketiga ini akan diuji kembali

Berdasarkan tabel 4.2, nilai akurasi terbaik menggunakan bobot awal 0.5 dengan learning rate
diperoleh pada strategi 2 dengan bobot awal random, yang berbeda. Percobaan ini dilakukan agar tercapai
learning rate 0.1, epsilon 0.0001, maksimum epoch hasil akurasi yang terbaik. Strategi 1 memiliki
1000 dengan tingkat akurasi 54.44%, error 48.89%, parameter learning rate antara 0.01 sampai dengan
sensitivitas 25.80%, dan spesifisitas 77.22%. 0.09, epsilon 0.01 sampai 0.000001, maksimum epoch
1000, dan bobot awal 0.5. Strategi 2 memiliki
Eksperimen 3
parameter learning rate (α), epsilon, dan maksimum
Pada eksperimen 2 telah menunjukkan bahwa
epoch yang sama dengan strategi 1, namun bobot awal
penentuan bobot awal secara random akan
yang digunakan random. Perbandingan eksperimen 3
menghasilkan akurasi yang lebih tinggi. Namun, pada
strategi 1 dan 2 dapat dilihat pada Tabel 4.3.
Tabel 4.3. Hasil Eksperimen 3
Strategi Learning rate Epsilon Akurasi (%) Error Sensitivitas Spesifisitas
(%) (%) (%)
1 0.07 0.01 59.06 40.94 24.83 79.53
2 0.01 0.01 72.22 27.78 28.65 86.11

korpus luteum, dan bukan kista ovarium sebesar

Berdasarkan tabel 4.3, nilai akurasi terbaik 28.65%. Nilai spesifisitas 86.11% menunjukkan
diperoleh pada strategi 2 dengan bobot awal random, bahwa kemampuan sistem prediksi kista ovarium
learning rate 0.01, epsilon 0.01, maksimum epoch untuk memberikan hasil negatif terklasifikasi benar
1000 dengan tingkat akurasi 72.22%, error 27.78%, pada tiap kelas sebesar 86.11%. Nilai error 27.78%
sensitivitas 28.65%, dan spesifisitas 86.11%. menunjukkan bahwa kemampuan sistem prediksi kista
Berdasarkan keseluruhan eksperimen, dipilih ovarium untuk memprediksi secara salah seluruh
bobot final dari variasi parameter–parameter yang subjek yang diuji sebesar 27.78%. Dan nilai akurasi
terbaik. Variasi parameter–parameter tersebut yaitu 72.22% menunjukkan bahwa kemampuan sistem
a. Inisialisasi bobot awal : random prediksi kista ovarium untuk memprediksi secara
b. Learning rate (α) : 0.01 benar seluruh subjek yang diuji sebesar 72.22%.
c. Error minimum (epsilon) : 0.01 Kelemahan sistem prediksi kista ovarium terdapat
d. Maksimum epoch : 1000 pada tingkat sensitivitas yang cukup rendah yaitu
Dengan tingkat akurasi 72.22%, error 27.78%, mencapai 28.65%. Hal ini menunjukkan bahwa
sensitivitas 28.65%, dan spesifisitas 86.11%. Nilai kemampuan sistem untuk memberikan hasil positif
sensitivitas prediksi kista ovarium sebesar 28.65%, hal terklasifikasi benar cukup sedikit, terutama pada
ini menunjukkan bahwa kemampuan sistem prediksi prediksi kelas 1 yaitu kelas kista folikuler. Pada
kista ovarium untuk memberikan hasil positif kombinasi parameter terbaik, tingkat sensitivitas tiap
terklasifikasi benar pada kelas kista folikuler, kista kelas dari 10 fold ditunjukkan pada Tabel 4.4.
Tabel 4.4 Sensitivitas Tiap Kelas pada Kombinasi Parameter Terbaik
Sensitivitas Fold
1 2 3 4 5 6 7 8 9 10
Kelas 1 0.25 0 0 0.17 0.14 0 0.33 0.14 0 0.17

Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930 5

Sistem Prediksi Kista Ovarium Menggunakan Jaringan Syaraf Tiruan Metode Learning Vector Quantization (LVQ)

Kelas 2 0.29 0.5 0.33 0.33 0.43 0.5 0.33 0.43 0.5 0.33
Kelas 3 0.38 0.33 0.38 0.33 0.33 0.33 0.33 0.33 0.33 0.33
Rata-rata 0.31 0.28 0.24 0.28 0.30 0.28 0.33 0.30 0.28 0.28

Learning Vector Quantization 2 (LVQ2).

Berdasarkan fold terbaik yaitu fold ke-7, yang [2] Dewi, N. P. (2015, Januari 25). Buku Panduan
menandakan ciri-ciri kista folikuler cenderung Penyakit Kista Ovarium. Dipetik Oktober 17,
terdapat pada gejala nyeri panggul sedang terus 2015, dari putu Lusiani:
menerus, tidak ada nyeri mens, benjolan perut besar, http://lusiratnadewi.blogspot.co.id/2015/01/buku
tidak ada mens lama/ singkat, tidak ada siklus mens -panduan-penyakit-kista-ovarium.html
yang tidak teratur, ada gangguan cerna, dan ada mual [3] Fausset, L. (1994). Fundamentals of Neural
muntah. Sedangkan yang menandakan ciri-ciri kista Network (Architectures, Algorithms, and
korpus luteum cenderung terdapat pada gejala nyeri Application). New jersey: Prentice-Hall.
panggul berat terus menerus, nyeri mens tajam hilang [4] Hermawan, A. (2006). Jaringan Syaraf Tiruan
timbul, bejolan perut besar, tidak ada mens lama/ Teori and Aplikasi. Yogyakarta: Andi.
singkat, tidak ada siklus mens yang tidak teratur, ada [5] Indra, D. (2014). Aplikasi Untuk Mendiagnosa
gangguan cerna, dan ada mual muntah. Dan yang Penyakit Kista Ovarium Menggunakan Metode
menandakan ciri-ciri bukan kista ovarium cenderung Forward Chaining. Jurnal Transformatika, 61-67.
terdapat pada gejala tidak ada nyeri panggul, tidak ada [6] Kusumadewi. (2003). Artificial Inteligence.
nyeri mens, tidak ada benjolan perut, tidak ada mens Yogyakarta: Andi.
lama/ singkat, tidak ada siklus mens yang tidak teratur, [7] Rafsyam, Y., & Jonifan. (2012).
ada gangguan cerna, dan ada mual muntah. Pengidentifikasian Otomatis Bentuk Kista
Pada fold terbaik, hasil yang diperoleh tidak Ovarium Menggunakan Deteksi Circle dan
menandakan gejala tersebut sehingga sistem prediksi Deteksi Tepi Laplacian dan Prewitt. Prosiding
kista ovarium belum bisa memprediksi secara akurat. Seminar Ilmiah Nasional Komputer dan Sistem
Intelijen .
5. Kesimpulan
[8] Sosmed, E. (2014, Februari 3). Kelebihan dan
Kesimpulan yang dapat diambil dari penelitian
Kekurangan Program Desktop dan Web Based.
mengenai Sistem Prediksi Kista Ovarium
Dipetik Oktober 17, 2015, dari Essii Tech IT
Menggunakan Jaringan Syaraf Tiruan Metode
Consultant:
Learning Vector Quantization (LVQ) antara lain
http://essiitech.com/portfolio/kelebihan-dan-
sistem prediksi kista ovarium telah dibangun dengan
kekurangan-program-desktop-dan-web-based
menggunakan Jaringan Syaraf Tiruan metode
[9] Sutojo, Mulyanto, E., & Vincent, S. (2011).
Learning Vector Quantization dan dapat digunakan
Kecerdasan Buatan (1st ed.). Yogyakarta: ANDI.
untuk memprediksi kista ovarium melalui gejala.
[10] WHO. (2014, December). Dipetik July 13, 2016,
Kemudian pengujian jaringan syaraf tiruan metode
dari http://www.who.int/cancer/en/
LVQ pada penelitian ini didapatkan parameter yang
[11] Yanti, A. R. (2015). Aplikasi Deteksi Dini
menghasilkan akurasi terbaik yaitu inisialisasi bobot
Gangguan Sistem Pernafasan Menggunakan
awal yang diambil secara random dari data yang
Metode Learning Vector Quantization.
mewakili tiap kelas, learning rate (α) 0.01, nilai error
[12] Yatim, F. (2008). Penyakit Kandungan. Jakarta:
minimum (epsilon) 0.01, dan maksimum epoch 1000.
Pustaka Populer Obor.
Model tersebut menghasilkan tingkat akurasi 72.22%,
[13] Yulaikhah, L. (2006). Kehamilan Seri Asuhan
error 27.78%, sensitivitas 28.65% dan spesifisitas
Kebidanan. Jakarta: Buku Kedokteran EGC.
86.11%. Saran yang dapat diberikan untuk penelitian
selanjutnya antara lain memperbaiki tingkat
sensitivitas sistem, misalnya menggunakan jaringan
syaraf tiruan metode lain. Selain itu menggunakan
kombinasi parameter yang lebih beragam. Serta
menambah data gejala yang digunakan sebagai data
latih dan data uji agar meningkatkan kemampuan
klasifikasi.

DAFTAR PUSTAKA
[1] Ariani, M., & Budianita, E. (2015). Penerapan
Jaringan Syaraf Tiruan Untuk Deteksi Penyakit
Jantung Koroner (PJK) Menggunakan Metode

6 Jurnal Masyarakat Informatika, Volume 7, Nomor 2, ISSN 2086 – 4930