BagusHastanto, Andreas (2016) Klasifikasi Tingkat Resiko Penyakit Stroke Dengan Implementasi Metode Jaringan Syaraf Tiruan Backpropagation. Sarjana thesis, Universitas Brawijaya.
Abstract
Stroke adalah gangguan fungsi otak karena adanya sumbatan atau pecahnya pembuluh darah di otak dengan gejala yang berlangsung 24 jam atau lebih. Pada tahun 1993, Harold P. Adams Jr., MD membuat TOAST classification untuk mengklasifikasikan stroke ke dalam 5 jenis : large artery atherosclerosis, cardioembolism, small vessel occlusion, stroke of other determined etiology, dan unundertermined etimology. Pendeteksian awal penyakit stroke biasanya membutuhkan waktu yang cukup lama. Dengan kemajuan teknologi, stroke dapat dicegah dengan pendeteksian resikonya sejak dini sehingga dapat mendapatkan penanganan dengan cepat dan memperbesar kemungkinan penyembuhan. Keuntungan lain dengan pendeteksian secara cepat adalah efisiensi pada biaya perawatan, dan semakin banyak orang yang dapat mendiagnosa resiko tersebut dengan cepat. Terdapat banyak metode yang dapat digunakan untuk mengklasifikasikan resiko penyakit stroke berdasarkan data, seperti Support Vector Machine (SVM), K-Nearest Neighborhood (K-NN), Artificial Neural Network atau lebih dikenal sebagai Jaringan Syaraf Tiruan (ANN/JST), Learning Vector Quantization (LVQ). Metode yang digunakan dalam penelitian ini adalah Jaringan Syaraf Tiruan Propagasi Balik (JSTPB) metode ini diklaim memiliki teknik yang baik karena memiliki karakteristik untuk belajar dari data sebelumnya.
English Abstract
Stroke is brain function disorder that caused by blockage or rupture of blood vessels in the brain with simptoms that last for 24 hours or more. At 1993, Harold P. Adams Jr., MD create TOAST classification to classified stroke into 5 kind : large artery atherosclerosis, cardioembolism, small vessel occlusion, stroke of other determined etiology, and unundertermined etimology. Early detection of stroke usually take a lot of time. With newest technology, stroke can be prevented with its risk detection since beginning so it could handled early and fast and increase chance of recover. Another profit with fast detection is care cost efficiency, and much more peoples that can diagnose the risk faster. There’s plenty methods that could be used to classified stroke risk based on data, some example is Support Vector Machine (SVM), K-Nearest Neighborhood (K-NN), Artificial Neural Network (ANN), and Learning Vector Quantization (LVQ). The method used in this research is Backpropagation Artificial Neural Network, this method claimed has good technique because have characteristic to learn from previous data.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2016/531/051610814 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | Sugiantoro |
| Date Deposited: | 17 Nov 2016 14:23 |
| Last Modified: | 21 Oct 2021 17:25 |
| URI: | http://repository.ub.ac.id/id/eprint/147104 |
Preview |
Text
Klasifikasi_Resiko_Stroke_dengan_Implementasi_Jaringan_Syara.pdf Download (3MB) | Preview |
Preview |
Text
JOURNAL.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |