Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number T-1028 (Softcopy T-736) Source Code T-171
Collection Type Tesis
Title Pengembangan algoritma adaptive multi codebook fuzzy neuro generalized learning vector quantization (FNGLVQ) studi kasus klasifikasi tahapan tidur
Author Indra Hermawan;
Publisher Depok: Fakultas Ilmu Komputer, 2013
Subject Elektrokardiogram, MITBPD, overlaping, AMFNGLVQ.
Location FASILKOM-UI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
T-1028 (Softcopy T-736) Source Code T-171 TERSEDIA
Tidak ada review pada koleksi ini: 40901
ABSTRAK

ABSTRAK Nama : Indra Hermawan Program Studi : Ilmu Komputer Judul : Pengembangan Algoritma Adaptive Multi Codebook Fuzzy Neuro Generalized Learning Vector Quantization (AMFNGLVQ) Studi Kasus Klasifikasi Tahapan Tidur Tidur merupakan suatu kondisi istirahat alami yang dialami tubuh yang sangat penting bagi kesehatan. Dengan waktu tidur yang tercukupi maka kondisi tubuh akan selalu segar karena pada saat tidur tubuh kita melakukan regenerasi terhadap sel-sel tubuh yang telah rusak ataupun mati. Namun hal tersebut tidak akan tercapai apabila kualitas tidur tidak baik. Penelitian pengenai pengukuran kualitas tidur hingga kini masih dilakukan. Salah satunya adalah penelitian yang dilakukan tim peneliti dari Fakultas Ilmu Komputer, Universitas Indonesia. Pengukuran kualitas tidur dilakukan dengan melakukan pengenalan tahapan tidur berdasarkan sinyal Elektrokardiogram (EKG). Karakteristik data yang overlaping dan distribusi data yang menyebar masih mejadi permasalahan utama pada pengenalan tahapan tidur. Dalam penelitian ini, dikembangkan sebuah algoritma Adaptive Multi Codebook Fuzzy Neuro Generalize Learning Vector Quantizatio (AMFNGLVQ) untuk mengatasi data yang overlaping dan distribusi yang menyebar. Berdasarkan hasil pengujian, metode yang diusulkan memiliki tingkat akurasi dan nilai kappa yang lebih baik. Berdasarkan hasil pengujian, metode yang diusulkan mampu memperbaiki tingkat pengenalan dengan kenaikan 2% hingga 3 % untuk data Mitra dan 0.5% hingga 1.5% untuk data MIT-BIH. Sedangkan untuk pengujian menggunakan seluruh data Mitra kenaikan rata-rata tingkat akurasi mencapai 3% hingga 7%. Kata Kunci : Elektrokardiogram, MITBPD, overlaping, AMFNGLVQ.