DwiBhaskara, Albiyan (2016) Implementasi Linear Discriminant Analysis (Lda) Untuk Klasifikasi Tingkat Resiko Terkena Penyakit Stroke. Sarjana thesis, Universitas Brawijaya.
Abstract
Penyakit stroke adalah gangguan peredaraan darah di otak, dimana pasokan oksigen dan nutrisi tersumbat. Hal ini mengakibatkan sel saraf di otak mati dan bisa menyebabkan sebagian dari tubuh mengalami kelumpuhan atau bahkan bisa menyebabkan kematian. Penyakit stroke pada prinsipnya bisa dicegah, akan tetapi pada tahap deteksi awal yang diberikan kepada pasien, dibutuhkan waktu yang relatif lama. Oleh karena itu, dibutuhkan sistem yang dapat mempercepat dan memudahkan pendeteksian awal penyakit stroke. Salah satu teknik yang dapat dipakai adalah klasifikasi menggunakan metode Linear Discriminant Analysis (LDA). algoritma LDA memiliki karakterisitik perhitungan matriks yang hampir sama dengan PCA. Perbedaan dasarnya, pada LDA diusahakan adanya perbedaan yang maksimum antara kelas yang berbeda dan perbedaan yang minimum dari image-image dalam kelas. Perbedaan antar kelas direpresentasikan oleh matriks Sb ( scatter between class ) dan perbedaan dalam kelas direpresentasikan oleh matriks Sw ( scatter within class ). Matriks covariance didapatkan dari kedua matriks ini. Pada penelitian ini digunakan data sebanyak 200. Resiko penyakit stroke dikelompokkan dalam 3 kelas yang telah ditentukan yaitu kelas normal, kelas rentan, dan beresiko tinggi. Hasil penelitian ini diharapkan dapat mempercepat cara mendeteksi resiko awal terkena penyakit stroke.
English Abstract
Stroke is circulatory disorder in brain, where oxygen supply and nutrition clogged. This makes neural cell deceased and could make some of body part paralyzed, even worse could ended with death. Basically stroke can be prevented, but the early detection given to the patient usually takes long time. ????????????????????????????????????????????????????????????????????????????????? needed. One of method that could used is classification using linear discriminant analysis (LDA). LDA algorhytm have similar characteristic of matrix calculation that almost same with PCA. The basic difference is in LDA try make maximum difference between different classes and minimum difference from images inside clasess. The differences between clasess is represented by Sb (scatter between class) matrix and the differences between classes is represented by Sw (scatter within class) matrix. Covariance matrix acquired from these both matrixes. In this research 200 data is used. Risk of stroke is classified into 3 class that already decided, which is normal, risky, and high risk. The result of research is hoped could help faster early detection of stroke.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2016/626/051610909 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Sugiantoro |
| Date Deposited: | 24 Nov 2016 09:12 |
| Last Modified: | 22 Oct 2021 01:58 |
| URI: | http://repository.ub.ac.id/id/eprint/147208 |
Preview |
Text
ALBIYAN_JURNAL.pdf Download (1MB) | Preview |
Preview |
Text
ALBIYAN_SKR.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |