Klasifikasi Penyakit Skizofrenia Dan Episode Depresi Pada Gangguan Kejiwaan Dengan Menggunakan Metode Support Vector Machine (SVM)

Aprilla, Silvia (2018) Klasifikasi Penyakit Skizofrenia Dan Episode Depresi Pada Gangguan Kejiwaan Dengan Menggunakan Metode Support Vector Machine (SVM). Sarjana thesis, Universitas Brawijaya.

Abstract

Gangguan kejiwaan adalah suatu gangguan pada otak manusia yang tidak normal atau berbeda dari orang pada umumnya. Pada gangguan kejiwaan terdapat berbagai macam jenis penyakit di dalamnya. Skizofrenia dan Depresi merupakan jenis gangguan kejiwaan yang banyak diderita oleh masyarakat. Terdapat juga jenis-jenis penyakit Skizofrenia dan Depresi, salah satu jenis pada masing-masing penyakit adalah Skizofrenia Hebefrenik dan Episode Depresi Berat dengan Gejala Psikotik. Menurut data yang ada di Rumah Sakit Jiwa Dr. Radjiman Wediodiningrat Lawang, kedua penyakit ini masuk dalam 10 besar diagnosis penyakit pasien rawat jalan dan pasien rawat jalan IGD periode tahun 2017. Dikarenakan banyaknya pasien yang terserang penyakit tersebut, maka dibutuhkan suatu sistem yang dapat mengklasifikasikan penyakit Skizofrenia Hebefrenik dan Episode Depresi Berat dengan Gejala Psikotik. Klasifikasi merupakan pembuatan suatu model yang digunakan untuk mengelompokkan suatu objek yang memiliki ciri-ciri yang sama ke dalam suatu kelas yang telah ditentukan. Dalam klasifikasi penyakit ini, digunakan algoritme klasifikasi yaitu support vector machine (SVM) dengan kernel polynomial of degree 2. Data yang digunakan sebanyak 200 data yang diambil dari RSJ. Dr. Radjiman Wediodiningrat Lawang, data ini terdiri dari 80% data latih dan 20% data uji. Metode pengujian yang digunakan adalah dengan K-Fold Cross Validation. Berdasarkan hasil pengujian parameter SVM didapat nilai rata-rata akurasi terbaik sebesar 79% dengan nilai γ = 0,00001, λ = 0,1, C = 0,01, itermax = 150, dan ɛ = 1.10-10.

English Abstract

Psychiatric disorders are a disorders of the human brain that is not normal or different from people in general. There are many types of psychiatric disorders. Schizophrenia and Depression are a type of psychiatric disorders suffered by many people. There are also types of Schizophrenia and Depression, one type of disease in each is Schizophrenia Hebephrenic and Psychotic Depression. According to data in soul hospital of Dr. Radjiman Wediodiningrat Lawang, both of these diseases are include in the top 10 diagnoses of outpatient and outpatient illnesses in 2017. Due to the large number of patients affected by the didease, soul hospital needed a system that can classify Schizophrenia Hebephrenic and Psychotic Depression Disease. Classification is the manufacture of a model that used to make a group for an object with the same characteristics into a determined class. To classify the disease used supprot vector machine (SVM) algorithm with polynomial of degree 2 kernel. The data used are 200 data taken from soul hospital of Dr. Radjiman Wediodiningrat Lawang. This data consists of 80% data training and 20% data testing. The test method used is K-fold cross validation. Based on the results of testing SVM parameters obtained the highest average accuracy is 79% with the value of γ = 0,00001, λ = 0,1, C = 0,01, itermax = 150, and ɛ = 1.10-10.

Item Type: Thesis (Sarjana)
Identification Number: SKR/FTIK/2018/438/051807598
Uncontrolled Keywords: Gangguan Kejiwaan, Skizofrenia Hebefrenik, Episode Depresi Berat dengan Gejala Psikotik, Klasifikasi, Support Vector Machine Psychiatric Disorders, Schizophrenia Hebephrenic, Psychotic Depression, Classification, Supprot Vector Machine
Subjects: 600 Technology (Applied sciences) > 616 Diseases > 616.8 Diseases of nervous system and mental disorders > 616.85 Miscellaneous diseases of nervous system and mental disorders
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Budi Wahyono Wahyono
Date Deposited: 14 Mar 2019 02:26
Last Modified: 18 Oct 2021 06:49
URI: http://repository.ub.ac.id/id/eprint/14044
[thumbnail of Silvia Aprilla.pdf]
Preview
Text
Silvia Aprilla.pdf

Download (10MB) | Preview

Actions (login required)

View Item View Item