Arifianto, AjiSeto (2014) Seleksi Fitur Menggunakan Fuzzy Entropy untuk Klasifikasi Stroke Berdasarkan Kelainan Patologis dengan Learning Vector Quantization. Magister thesis, Universitas Brawijaya.
Abstract
Diagnosis stroke harus dilakukan dengan cepat dan tepat agar segera mengetahui tipe klasifikasi patologinya termasuk dalam stroke infark atau hemorrhagic guna pemberian tindakan medis dan obat yang cepat dan tepat pula. Prosedur wajib ( Gold Standart Procedure ) untuk klasifikasi stroke menggunakan Computed Tomograph Scan atau Magnetic Resonance Imaging . D i Indonesia terkendala biaya yang mahal dan tidak semua rumah sakit memilikinya. Jika prosedur standar tidak dapat dilakukan maka diagnosis stroke dapat dilakukan melalui analisis terhadap data klinis pasien. Data klinis terdiri dari 32 fitur berisi tentang hasil pemeriksaan fisik, gejala yang dirasakan pasien, riwayat penyakit dan pemeriksaan laboratorium darah . Tidak semua fitur relevan untuk mengklasifikasikan stroke. Untuk mengatasi permasalahan diatas maka dikembangkan sebuah sistem komputerisasi dengan metode Fuzzy Entropy untuk seleksi fitur dan klasifikasi nya menggunakan metode Learning Vector Quantization . Hasil dari penelitian ini didapatkan tingkat akurasi klasifikasi mencapai 96% hanya dengan 13 fitur . Uji diagnosis ditunjukkan dengan nilai Area Under Curve (AUC) sebesar 0,952 yang ter masuk dalam kategori excellent.
English Abstract
Medical treatment for stroke disease is one of most important things that should be performed in quick- and proper way. Gold Standard Procedure using Computed Tomograph Scan (CT-Scan) or Magnetic Resonance Imaging (MRI) Technology, to classify infark or hemorrhagic stroke in Indonesia is still very expensive and it is not available in all hospitals. diagnosis can be performed using patients medical record. This research used 32 features of medical records containing general check-up, patients symptom and blood laboratory test, wherein not all features were relevant. refore an application using Fuzzy Entropy for features selection was developed. classification using Learning Vector Quantization after selection showed accuracy of 96% with only 13 features. diagnosis test was shown in area under curve (AUC) of 0.952 which was categorized as excellent. FE-based feature selection helped to increase effectiveness of classification.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/616.81/ARI/s/041404909 |
| Subjects: | 600 Technology (Applied sciences) > 616 Diseases > 616.8 Diseases of nervous system and mental disorders |
| Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
| Depositing User: | Endro Setyobudi |
| Date Deposited: | 01 Sep 2014 11:22 |
| Last Modified: | 01 Sep 2014 11:22 |
| URI: | http://repository.ub.ac.id/id/eprint/158424 |
Actions (login required)
 |
View Item |