Pengidentifikasian Penyakit Erythemato-Squamous

100%, 84.72%, dan 78.33%. Nilai tersebut
dapat dilihat pada Lampiran 5.
praproses pengelompokkan variabel umur
menggunakan algoritma clustering tertentu.
Perbandingan Ketepatan kelompok data
antara family history nilai 0 berdasarkan
umur
Pemilihan faktor pemulus yang optimal
juga
sangat
disarankan,
misalnya
menggunakan algoritma genetika sehingga
dapat dihasilkan ketepatan prediksi yang lebih
tinggi.
Nilai ketepatan rata-rata umur dewasa
memiliki ketepatan tertinggi, kemudian diikuti
oleh umur anak dan tua, masing-masing
58.09%, 16.67%, dan 12.50 %. Nilai tersebut
dapat dilihat pada Lampiran 6.
Perbandingan Ketepatan kelompok data
antara family history nilai 1 dengan nilai 0
Setelah seluruh percobaan dilaksanakan,
terlihat bahwa nilai rata-rata ketepatan
kelompok data dengan family history nilai 1
memiliki ketepatan jauh lebih besar dari pada
kelompok data dengan family history 0. Data
tersebut dapat dilihat pada Lampiran 7.
KESIMPULAN DAN SARAN
Kesimpulan
Kesimpulan dari penelitian ini adalah:
1
pada kelompok data dengan family
history nilai 1 memiliki rata-rata
ketepatan jauh lebih besar dengan
kelompok data dengan family history
nilai 0,
2
penelitian ini menghasilkan rata-rata
ketepatan yang lebih besar dari data
kelompok umur dewasa baik dengan
familiy history bernilai 1 ataupun 0,
3
4
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 1 yang dihasilkan pada penelitian
ini mencapai 87.68% sehingga algoritma
PNN dapat dijadikan salah satu alternatif
untuk identifikasi penyakit erythematosquamous.
berdasarkan algoritma PNN, rata-rata
ketepatan kelompok data family history
nilai 0 yang dihasilkan pada penelitian
ini mencapai 42.38% sehingga algoritma
PNN tidak dapat dijadikan salah satu
alternatif untuk identifikasi penyakit
erythemato-squamous.
Saran
Penulis mengharapkan agar penelitian ini
dapat dikembangkan lagi pada penelitianpenelitian selanjutnya. Misalnya, dengan
DAFTAR PUSTAKA
Arana E, Delicado P, Bonmati ML. 1999.
“Validation procedures in radiological
diagnostic models. Neural networks and
logistik
regression”.
http://www.econ.upf.es/deehome/what/wp
apers/postscripts/414.pdf [16 November
2006].
Fajriati M. 2005. Model Jaringan Syaraf
Tiruan
dengan Inisialisasi Pembobot
Awal
Nguyen-Widrow
dan
Acak
untuk Prediksi Penyakit ErythematoSquamous [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Fu LM. 1994. Neural Networks in Computer
Intelligence. Singapore: Mc Graw-Hill.
Ganchev, TD. 2005. Speaker Recognition
[Tesis]. Greece: Wire Communication
Laboratory, Department of Computer and
Electrical Engineering, University of
Patras.
http://wcl.ee.upatras.gr/ai/papers/Ganchev
_PhDThesis.pdf [16 November 2006].
Güvenir HA, Demiröz G, İlter N. 1998.
Learning
differential
diagnosis
of
erythemato-squamous
diseases
using
voting
feature
intervals.
Artificial
Intelligence in Medicine 13: 147-165. [3
Agustus 2005].
Kustiyo A. 2004. Model Neural Network
dengan Inisialisasi Pembobot Awal
Menggunakan Regresi Logistik Biner
untuk Memprediksi Jenis Penyakit
Erythemato-squamous [Tesis]. Surabaya:
Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh November.
Lay B, Khalid M, Yusof R. 1999. Intelligent
Database by Neural Network and Data
Mining.
http://www.cairo.utm.my/4_cairo_publicat
ions.htm [16 November 2006].
Merz C, Murphy M. 1996. UCI repository of
machine learning databases. University of
California,
Irvine,
Department
of
Information and Computer Science.
14