PENGENALAN POLA SUSPEK CAMPAK BERDASARKAN GEJALA MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION

Campak merupakan salah satu penyakit menular dengan tingkat penyebaran tinggi, sehingga identifikasi dini terhadap suspek campak menjadi krusial untuk menekan peningkatan kasus, terutama di wilayah yang memiliki keterbatasan fasilitas diagnostik laboratorium. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi kinerja Algoritma Learning Vector Quantization (LVQ) dalam pengenalan pola suspek campak berdasarkan gejala klinis dan informasi imunisasi. Dataset yang digunakan mencakup 326 data suspek campak Kota Tasikmalaya tahun 2024–2025 yang terdiri dari fitur gejala demam, ruam, batuk, pilek, mata merah, serta status imunisasi MCV1 dan MCV2. Tahapan penelitian meliputi pembersihan data, penanganan outlier, normalisasi menggunakan RobustScaler, pembagian data secara stratified, pelatihan model LVQ, serta optimasi parameter melalui grid search dengan evaluasi 5-fold cross-validation. Hasil penelitian menunjukkan bahwa fitur imunisasi memiliki kontribusi terbesar dalam proses pembelajaran, sedangkan beberapa gejala klinis seperti demam dan ruam tidak berpengaruh akibat kurangnya variasi data. Model terbaik diperoleh pada skenario tanpa fitur demografi (umur) dengan nilai recall sebesar 0.7500, akurasi 0.8902, precision 1.00, serta weighted f1-score sebesar 0.8873. Temuan ini menunjukkan bahwa Algoritma LVQ efektif digunakan sebagai pendekatan awal dalam pengenalan pola suspek campak dan berpotensi dikembangkan sebagai sistem pendukung keputusan di bidang kesehatan.

Kata kunci: Campak, Grid Search, Gejala Klinis, Learning Vector Quantization, Pengenalan Pola,