Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTDiabetik Retinopati adalah salah satu penyebab utama kebutaan dari penderita diabetes. Untuk mencegah kebutaan dan memberikan pengobatan yang efektif, diperlukan suatu metode pendeteksian yang lebih dini untuk Diabetik Retinopati. Terdapat beberapa metode inspeksi manual untuk mendeteksi Diabetik Retinopati, tetapi membutuhkan banyak waktu dan usaha yang berat. Dalam penelitian ini, diajukan metode pendeteksian Diabetik Retinopati dengan menggunakan pendekatan Shallow Learning yang mencakup Neural Network, Support Vector Machines, dan Random Forest. Data yang digunakan untuk membangun model classifier terdiri dari kelas Diabetik Retinopati DB, kelas Age-related Macular Degeneration AMD, dan kelas Normal. Dari hasil percobaan, pendekatan klasifikasi dengan metode Support Vector Machines memiliki hasil yang lebih baik dibandingkan dengan metode Random Forest dan Neural Network. Pada klasifikasi multi-class DB, Normal, dan AMD, metode Support Vector Machines memperoleh nilai akurasi 100 dan sensitivity 100 pada 75 data training, dan memperoleh nilai akurasi 94,87 dan sensitivity 93,33 pada 25 data testing.

---

ABSTRACTDiabetic Retinopathy is one of the leading causes of blindness from diabetic patients. To prevent blindness and provide an effective treatment, an early detection of Diabetic Retinopathy is needed. Methods for detecting Diabetic Retinopathy by manual inspections exist, but very time consuming and require tedious work. In this study, Diabetic Retinopathy detection method is proposed, by using Shallow Learning approach that consists of Neural Network, Support Vector Machines, and Random Forest. The data used to build the classifier models are Diabetic Retinopathy DB class, Age related Macular Degeneration AMD class, and Normal class. From experimental results, classification approach using Support Vector Machines yielded better results compared to Random Forest and Neural Network. On multi class DB, Normal, and AMD classification, Support Vector Machines method obtained 100 accuracy and 100 sensitivity for 75 training data, and 94,87 accuracy and 93,33 sensitivity for 25 testing data. "

"Diabetes Melitus (DM) merupakan gangguan sistem metabolik akibat pankreas tidak memproduksi cukup insulin atau tubuh tidak mampu menggunakan insulin yang ada secara efektif. Menderita diabetes dalam jangka waktu panjang dapat mengakibatkan berbagai macam komplikasi salah satu di antaranya adalah Retinopati diabetik. Retinopati diabetik  adalah kelainan pada bagian mata yang disebabkan oleh adanya kerusakan dan penyumbatan pada pembuluh darah di bagian belakang mata (retina). Pada penelitian kali ini akan di gunakan data retinopati diabetik dengan menggunakan metode seleksi fitur Recursive Feature Elimination (RFE) dan Chi-Square dan akan di klasifikasi menggunakan Support Vector Machine.

---

Diabetic retinopathy is one of the complication of diabetes, which is an eye disease that can cause blindness. Its happen because of damage of retina as a result of the long illness of diabetic melitus. People usually do research using image data in diabetic patients. This paper present about diabetic retinopathy will extracting with feature selection. In this study, we use data diabetic patients who will be extracted with a feature selection method. Feature selection used in this study is Recursive Feature Elimination (RFE) and Chi-Square. For classification of diabetic retinopathy has been done by Support Vector Machine (SVM). From the experimental result with various tunning hyperparameters, the classification model can obtain the accuracy between 97%-100% for both methods."

"Iskemia makula merupakan penyebab penurunan penglihatan pada retinopati yang berhubungan dengan progresi retinopati diabetik dan dapat terjadi sebelum mikroaneurisma terlihat secara klinis. Fovea avascular zone (FAZ) merupakan area di makula yang mencerminkan kondisi mikrokapiler makula dan sensitif terhadap iskemia. Penelitian ini bertujuan untuk mengetahui perbandingan parameter area dan sirkularitas FAZ pleksus kapiler superfisial (PKS) dan pleksus kapiler dalam (PKD) yang diukur menggunakan Optical Coherence Tomography Angiography (OCTA) pada pasien diabetes melitus (DM) dengan dan tanpa retinopati diabetik. Penelitian potong lintang dilakukan pada 90 mata pasien diabetes yang terbagi menjadi lima kelompok yaitu DM tanpa retinopati diabetik , non proliferative diabetic retinopathy (NPDR) ringan, NPDR sedang, NPDR berat, dan proliferative diabetic retinopathy (PDR). Area dan sirkularitas FAZ PKS dan PKD pada OCTA makula 3x3 mm diukur menggunakan ImageJ. Area FAZ PKS pada NPDR ringan, NPDR berat, dan PDR secara bermakna lebih lebar dibandingkan dengan DM tanpa retinopati diabetik (p=0,026). Sirkularitas FAZ PKD secara bermakna lebih rendah pada kelompok NPDR sedang dan berat dibandingkan dengan NPDR ringan (p=0,003). Pelebaran dan perubahan bentuk FAZ PKS dan PKD pada retinopati diabetik dapat dideteksi dengan OCTA. Pelebaran FAZ PKS dan penurunan sirkulasi FAZ PKD terjadi mulai dari retinopati derajad awal.

---

Macular ischemia is cause of decreased vision in diabetic retinopathy (DR) associated with the progression of retinopathy and can occur before microaneurysms are detected clinically. Fovea avascular zone (FAZ) is an area in macula that reflects the condition of macular microcapillaries and sensitive to ischemia. This study aims to compare area and circularity of superficial capillary plexus (SCP) and deep capillary plexus (DCP) FAZ as measured using Optical Coherence Tomography Angiography (OCTA) in diabetic patient with and without DR. A cross-sectional study was conducted on 90 eyes of diabetic patients divided into five groups, namely DM with no DR, mild non-proliferative DR (NPDR), moderate NPDR, severe NPDR, and proliferative DR (PDR). Area and circularity of SCP and DCP FAZ in 3×3 mm macular OCTA was measured using ImageJ. The SCP FAZ area was significantly larger in mild NPDR, severe NPDR, and PDR compared to no DR (p=0.026). DCP FAZ circularity was significantly lower in moderate and severe NPDR compared to the mild NPDR (p=0.003). Enlargement and irregularity of SCP and DCP FAZ in DR can be detected by OCTA. Enlargement of SCP FAZ area and decrease in DCP FAZ circularity occurs from early degree of DR.

"

"Retinopati diabetik merupakan komplikasi mikrovaskular akibat hiperglikemi pada diabetes melitus, komplikasi tersebut memberikan dampak bagi pasien berupa penurunan fungsi penglihatan sehingga dapat mempengaruhi kualitas hidup. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang berhubungan dengan kualitas hidup pasien retiopati diabetik.Metode penelitian ini adalah potong lintang/cross sectional dengan pendekaran observasi analitik.Jumlah responden sebanyak 160 pasien. Hasil penelitian menunjukan bahwa faktor – faktor yang tidak berhubungan dengan kualitas hidup adalah jenis kelamin (p=0,617) dan kepuasan pengobatan (P=0,106). Faktor-faktor yang berhubungan dengan kualitas hidup pasien retinopati diabetik adalah usia (p=0,002), lama menderita DM (p=0,005), derajat keparahan retinopati diabetik (p=0,0001), stress (p=0,045), dukungan keluarga (p=0,024), status fungsional (p=0,046). Pasien retinopati diabetik yang memiliki usia kurang dari 50 tahun, lama menderita DM lebih dari 10 tahun, derajat DR NPDR) dan dukungan keluarga baik berpeluang mengalami kualitas hidup baik sebesar 40%. Hasil analisis multivariat menunjukan faktor yang paling dominan berhubungan dengan kualitas hidup pasien retinopati diabetik adalah dukungan keluarga dengan nilai OR= 4,172(CI 95%= 1,860; 16,414). Dengan penelitian ini di harapkan dapat menjadi acuan bagi perawat dalam mengembangkan pola asuhan keperawatan pada pasien gangguan penglihatan terkait kualitas hidup pasien.

---

Diabetic retinopathy is a microvascular complication due to hyperglycemia in diabetes mellitus, this complication affects the patient in the form of decreased visual function so that it can affect the quality of life. The purpose of this study was to identify factors related to the quality of life of diabetic retiopathy patients. The method of this study is cross sectional / cross sectional with an analytic observation approach. The number of respondents was 160 patients. The results showed that factors not related to quality of life were gender (p = 0.617) and treatment satisfaction (P = 0.106). Factors related to the quality of life of diabetic retinopathy patients were age (p = 0.002), duration of DM (p = 0.005), severity of diabetic retinopathy (p = 0.0001), stress (p = 0.045), family support ( p = 0.024), functional status (p

= 0.046). Diabetic retinopathy patients who have a age of less than 50 years, long suffering from diabetes more than 10 years, level of severity is DR (NPDR) and good family support have the opportunity to experience a good quality of life of 40%. The results of multivariate analysis showed that the most dominant factor related to the quality of life of patients with diabetic retinopathy was family support with an OR value of 4.172 (95% CI = 1.860; 16.414). With this research, it is hoped that it can become a reference for nurses in developing patterns of nursing care for vision impaired patients regarding the quality of life of patients"

"Tujuan tesis ini adalah untuk mengetahui proporsi, karakteristik, dan faktor risiko retinopati diabetik pada responden diabetes melitus di puskesmas Jakarta Timur dan Jakarta Selatan. Desain penelitian berbasis populasi, studi deskriptif-analitik dengan metode potong lintang. Kriteria inklusi adalah pasien diabetes melitus berusia > 18 tahun yang dilakukan pemeriksaan foto fundus di puskesmas kecamatan Jakarta Timur dan Jakarta Selatan. Dilakukan cluster random sampling dan didapatkan 17 kecamatan intervensi yang dilakukan pemeriksaan foto fundus. Dilakukan consecutive sampling dengan pemberitahuan secara aktif kepada responden. Responden diperiksa foto fundus tanpa dilatasi dan retinopati digrading dengan menggunakan klasifikasi NSC (National Screening Committee). Responden diperiksa tajam penglihatan, tekanan darah, lingkar pinggang, lingkar panggul, pemeriksaan laboratorium, dan dilakukan wawancara terpimpin untuk evaluasi faktor risiko. Jumlah total sampel dari penelitian ini adalah 419 responden dengan proporsi retinopati diabetik adalah 49 responden (11.7%). Pada analisis multivariat, faktor risiko independen untuk DR adalah usia ≥ 60 saat datang (OR 0.46; 95% CI, 0.24-0.89), durasi DM ≥ 5 tahun (OR 1.43; 95% CI, 0.79-2.59), keturunan DM (+) (OR 1.89; 95% CI, 0.98-3.63), GDP ≥ 126mg/dl (OR 2.06; 95% CI, 0.95-4.44), penyakit komplikasi (+) (OR 1.41; 95% CI, 0.78-2.57), gangguan penglihatan ringan (OR 1.81; 95% CI, 0.84-3.88), lingkar pinggang berlebih (OR 0.39; 95% CI, 0.20-0.73). Responden dengan retinopati diabetik cenderung memiliki indeks massa tubuh normal, tanpa obesitas sentral, dengan lingkar pinggang normal. Berdasarkan data yang didapatkan, satu dari 10 responden diabetes melitus di puskesmas Jakarta Timur dan Jakarta Selatan memiliki retinopati diabetik. Faktor risiko independen yang berkaitan dengan retinopati diabetik adalah usia ≥ 60 tahun dan lingkar pinggang berlebih.

---

The purpose of this study was to describe the proportion, characteristics, and risk factors of diabetic retinopathy in diabetic population at primary health care (PHC) in East Jakarta and South Jakarta. Population-based cross sectional study, analytic ? descriptive. Method: Diabetic individuals > 18 years were screened for diabetic retinopathy with single field nonmydriatil 45o retinal photograph at PHC in East Jakarta and South Jakarta and retinopathy was graded in NSC (National Screening Committee) system. We had cluster random sampling for 34 PHC and 17 were selected and performed retinal photography for DR screening. Consecutive sampling was performed with active announcement for diabetic patients in PHC within the scope of the study. All participants underwent guided interview and examination including uncorrected visual acuity, blood pressure, waist-hip circumference, body mass index, and collection of blood samples. Results : We had 419 diabetic person who participated in this study. The overall proportion of DR was 49 (11.7%). In logistic regression analysis, independent risk factors for DR were age ≥ 60 years (OR 0.46; 95% CI, 0.24-0.89), diabetic duration ≥ 5 years (OR 1.43; 95% CI, 0.792.59), related to diabetes mellitus (OR 1.89; 95% CI, 0.98-3.63), fasting blood glucose ≥ 126mg/dl (OR 2.06; 95% CI, 0.95-4.44), complications of diabetes (OR 1.41; 95% CI, 0.78-2.57), mild visual acuity disturbance (OR 1.81; 95% CI, 0.84-3.88), excessive waist circumference (OR 0.39; 95% CI, 0.20-0.73). Person with DR tend to have normal body mass index, without central obesity, with a normal waist circumference. Conclusion : One in 10 adults with diabetes at PHC in East Jakarta and South Jakarta has diabetic retinopathy. The independent association of DR with established risk factors were age more than or equal to 60 years old and excessive waist circumference."

"Kanker pankreas adalah penyakit di mana sel-sel tumor ganas (kanker) berkembang di jaringan pankreas, yaitu organ di belakang perut bagian bawah dan di depan tulang belakang, yang membantu tubuh menggunakan dan menyimpan energi dari makanan dengan memproduksi hormon untuk mengontrol kadar gula darah dan enzim pencernaan untuk memecah makanan. Biasanya, kanker pankreas jarang terdeteksi pada tahap awal. Salah satu tanda seseorang mengalami kanker pankreas adalah diabetes, terutama jika itu bertepatan dengan penurunan berat badan yang cepat, penyakit kuning, atau rasa sakit di perut bagian atas yang menyebar ke punggung. Di antara berbagai jenis kanker, kanker pankreas memiliki tingkat kelangsungan hidup terendah, yaitu hanya sekitar 3-6% dari mereka yang didiagnosis yang dapat bertahan hidup selama lima tahun. Jika pasien didiagnosis tepat waktu untuk perawatan, peluang mereka untuk bertahan hidup akan meningkat. Terdapat penanda tumor yang biasa digunakan untuk mengikuti perkembangan kanker pankreas, yaitu CA 19-9 yang dapat diukur dalam darah. Orang sehat dapat memiliki sejumlah kecil CA 19-9 dalam darah mereka. Kadar CA 19-9 yang tinggi seringkali merupakan tanda kanker pankreas. Tetapi kadang-kadang, kadar tinggi dapat menunjukkan jenis kanker lain atau gangguan non-kanker tertentu, seperti sirosis dan batu empedu. Karena kadar CA 19-9 yang tinggi tidak spesifik untuk kanker pankreas, CA 19-9 tidak dapat digunakan dengan sendirinya untuk skrining atau diagnosis. Ini dapat membantu memantau perkembangan kanker dan efektivitas pengobatan kanker. Dalam studi ini, metode Kernel-based Support Vector Machine digunakan untuk mengklasifikasikan hasil tes darah CA19-9 menjadi dua bagian; data pasien yang didiagnosis dengan kanker pankreas atau pasien normal (tidak terdiagnosis kanker pankreas). Metode ini memperoleh akurasi sekitar 95%.

---

Pancreatic cancer is a disease in which malignant (cancerous) tumor cells develop in pancreatic tissue; organ behind the lower abdomen and in front of the spine, which helps the body use and store energy from food by producing hormones to control blood sugar levels and digestive enzymes to break down food. Usually, pancreatic cancer is rarely detected at an early stage. One sign of a person with pancreatic cancer is diabetes, especially if it coincides with rapid weight loss, jaundice, or pain in the upper abdomen that spreads to the back. Among various types of cancer, pancreatic cancer has the lowest survival rate of only about 3-6% of those diagnosed who can survive for five years. If patients are diagnosed on time for treatment, their chances of survival will increase. There is a tumor marker commonly used to follow the course of pancreatic cancer, namely CA 19-9 which can be measured in the blood. Healthy people can have small amounts of CA 19-9 in their blood. High levels of CA 19-9 are often a sign of pancreatic cancer. But sometimes, high levels can indicate other types of cancer or certain noncancerous disorders, including cirrhosis and gallstones. Because a high level of CA 19-9 is not specific for pancreatic cancer, CA 19-9 cannot be used by itself for screening or diagnosis. It can help monitor the progress of your cancer and the effectiveness of cancer treatment. In this study, the Kernel-based Support Vector Machine method is used to classify CA19-9 blood test results into two sections including data on patients diagnosed with pancreatic cancer or normal patients. This method will get an accuracy of around 95%."

"Pesatnya perkembangan jumlah halaman web memotivasi banyak pihak untuk membangun suatu search engine dengan kinerja yang optimal. Proses ranking merupakan bagian penting dalam alur kerja suatu search engine. Salah satu metode alternatif machines learning yang cukup mendapatkan perhatian para peneliti adalah metode ranking SVM. Metode pembelajaran pada ranking SVM berupa model linear yang bertujuan mendapatkan fungsi ranking berdasarkan ide dasar SVM (Support Vector Machines). Studi eksperimental ini bertujuan mengukur kinerja metode ranking SVM pada data LETOR. Data LETOR merupakan data yang diorganisir oleh Microsoft yang ditujukan untuk pembelajaran ranking (leraning to rank). Hasil eksperimen menunjukkan bahwa akurasi MAP (Mean Average Precision) metode ranking SVM pada data LETOR adalah sebesar 47.38%. Hal ini menunjukkan bahwa persoalan ranking merupakan persoalan yang masih bersifat tantangan sehingga diperlukan penelitian lanjutan yang akan memberikan akurasi yang lebih tinggi.

---

Fast growth of web pages motivates many people to build an optimal search engine. Ranking process is an important part in the workflow of a search engine. One alternative method of machines learning which attracting more researchers? attention is a ranking SVM method. Ranking SVM has a learning system in a linear model form. Its aims to get a ranking function based on the basic idea of SVM (Support Vector Machines). This experimental study aims to measure the performance of SVM ranking methods in LETOR. LETOR benchmark dataset is organized by Microsoft. It have been released to facilitate the research on learning to rank.. The experimental results show that MAP (Mean Average Precision) accuracy of ranking SVM method on LETOR is 47.38%. This shows that the ranking is a challenging issue and required further research to provide higher accuracy."

"ABSTRAKDiabetik Retinopati adalah kelainan retina akibat komplikasi diabetes yang menyebabkan kebutaan. Seiring berkembangnya teknologi pengolahan citra, pendeteksian Diabetik Retinopati DR dimungkinkan melalui gambar retina yang disebut citra fundus dengan menggunakan ekstraksi ?tur. Dalam penelitian ini, diusulkan metode ekstraksi ?tur menggunakan Gray Level Co-occurrence Matrix GLCM . Penelitian ini mengusulkan sebuah metode dengan enam ?tur tekstur GLCM dengan klasi?kasi Naive Bayes. Dengan menggunakan tiga metode pengujian dan offset GLCM untuk dibandingkan, offset GLCM menghasilkan hasil yang lebih baik dengan accuracy 82.05 pada metode pengujian 70 train 30 test, accuracy 80 pada metode pengujian 5-Fold Cross Validation, accuracy 80.77 pada metode pengujian 10-Fold Cross Validation. Hasil ini akan menjelaskan seberapa akurat Naive Bayes untuk mengklasi?kasikan citra fundus normal atau citra DR.

---

ABSTRAKDiabetic Retinopathy is retinal disorders resulting from diabetes complications that lead to blindness. As the development of technology in image processing, detection of Diabetic Retinopathy DR was possible through retinal images called fundus image using feature extraction. In this paper, a feature extraction method using Gray Level Co occurrence Matrix GLCM is proposed. This paper proposed a method with six textural features of GLCM with Naive Bayes classifier. Using three testing methods and offset of GLCM to compare with, the offset of GLCM achieves a better result with an Accuracy of 82.05 for 70 training data and 30 testing data method, Accuracy of 80.00 for 5 fold Cross Validation method, Accuracy of 80.77 for 10 fold Cross Validation method. These results will explain how accurate Naive Bayes to classify normal fundus image or DR fundus image."

"Metode klasifikasi telah banyak digunakan dalam berbagai aspek, termasuk dalam bidang bioinformatika. Salah satu penggunaan metode klasifikasi ini adalah untuk menentukan tingkatan fase dari sebuah penyakit. Dalam penelitian ini akan dilakukan pengklasifikasian parasit plasmodium falciparum. Parasit tersebut merupakan parasit penyebab penyakit malaria. Penyakit ini dapat ditularkan oleh gigitan nyamuk Anopheles betina yang mengandung plasmodium di dalamnya. Hasil penelitian ini dapat digunakan untuk menentukan fase parasit plasmodium yang berada di sel darah orang yang terjangkit malaria. Tujuan penelitian ini adalah untuk mengetahui persentase keberhasilan dan menganalisis metode Multiclass Support Vector Machines untuk memprediksi tingkatan parasit tersebut. Data yang digunakan adalah data citra sel darah merah yang telah terjangkit tiga jenis tingkatan parasit plasmodium falciparum. Dalam prosesnya, penelitian ini akan menggunakan Canopy sebagai IDE bahasa pemrograman python. Dari 112 percobaan, didapatkan tingkat akurasi tertinggi sebesar 87,5% untuk metode Multclass SVM one vs rest dan one vs one menggunakan 4-fold cross validation dengan parameter linear kernel dan C=1.

---

Classification methods has been frequently used in various aspects, including bioinformatics. One of its purpose of this classification is to  determine phase level of a disease. This research will classify the phase of plasmodium falciparum parasite which causes malaria.The disease is spread by an infected female Anopheles mosquito which contains Plasmodium. The result of this research could be use to determine Plasmodium parasite phase in infected peoples red blood cells. The purpose of this research is to discover the success rate of Multiclass Support Vector Machines method and analyze it in order to predict the parasite phase levels. The data of this study is image data of red blood cells which was infected by three kinds of Plasmodium falciparum parasite levels. In the process, this study will be using Canopy as Integration Development Environtments of phyton programming language.  From 112 trials, the highest number of accuracy is 87.5% for Multiclass Support Vector Machines one vs rest and one vs all methods which used the 4-fold cross validation with C=1 as parameter for linear kernel."

"Skizofrenia adalah gangguan jiwa yang serius dan kronis. Penyakit ini ditandai dengan gangguan dalam pemikiran, persepsi, dan tingkah laku. Karena gangguan-gangguan ini dapat memicu penderita Skizofrenia untuk bunuh diri atau mencoba bunuh diri, penderita Skizofrenia mempunyai usia harapan hidup yang lebih rendah dari populasi umum. Skizofrenia juga sulit untuk didiagnosis karena belum ada tes secara fisik untuk mendiagnosisnya dan gejala-gejalanya sangat mirip dengan beberapa gangguan jiwa lainnya. Dengan menggunakan Northwestern University Schizophrenia Data, penelitian ini bertujuan untuk mengklasifikasikan orang yang menderita Skizofrenia dan orang yang tidak menderita Skizofrenia. Data tersebut terdiri dari 392 observasi dan 65 variabel yang merupakan data demografis dan data kuesioner Scale for the Assessment of Positive Symptoms dan Scale for the Assessment of Negative Symptoms yang diisi oleh klinisi. Metode klasifikasi yang digunakan adalah machine learning dengan metode Support Vector Machines SVM dan Twin Support Vector Machines Twin SVM menggunakan MATLAB R2017a. Simulasi dilakukan dengan data dan persentase data training dan testing yang berbeda-beda. Pada setiap simulai, akurasi serta running time diukur. Validasi dan evaluasi performa dari model yang telah dioptimasi dilakukan dengan mengambil rata-rata dari sepuluh kali Hold-Out Validation yang dilakukan. Pada umumnya, metode Twin SVM berhasil mengklasifikasikan data Skizofrenia dengan lebih akurat dibandingkan dengan metode SVM. Metode Twin SVM dengan kernel Gaussian menghasilkan hasil akhir akurasi klasifikasi data Skizofrenia yang terbaik, yaitu 91,0 . Berdasarkan hasil akhir running time, metode SVM dengan kernel Gaussian untuk klasifikasi data Skizofrenia mempunyai running time yang paling cepat, 0,664 detik. Selain itu, metode SVM dengan kernel linear, metode SVM dengan kernel Gaussian, dan metode Twin SVM untuk klasifikasi data Skizofrenia berhasil mencapai akurasi hingga 95,0 dalam setidaknya satu simulasi.

---

Schizophrenia is a severe and chronic mental disorder. This disorder is marked with disturbances in thoughts, perceptions, and behaviours. Due to these disturbances that can trigger Schizophrenics to commit suicide or attempt to do so, Schizophrenics have a lower life expectancy than the general population. Schizophrenia is also difficult to diagnose as there is no physical test to diagnose it yet and its symptoms are very similar to several other mental disorders. Using Northwestern University Schizophrenia Data, this research aims to distinguish people who are Schizophrenics and people who are not. The data consists of 392 observations and 65 variables that are demographic data as well as clinician filled Scale for the Assessment of Positive Symptoms and Scale for the Assessment of Negative Symptoms questionnaires. Classification methods that are used are machine learning with Support Vector Machines SVM and Twin Support Vector Machine Twin SVM using MATLAB R2017a. Simulations are done with different data and percentage of training and testing data. In each simulation, accuracy and running time are measured. Performance validation and evaluation of the optimized models are done by taking the average of ten times Hold Out Validations that were done. In general, Twin SVM successfully classified Schizophrenia data more accurately than the SVM method. Twin SVM with Gaussian kernel produced the best final accuracy in classifying Schizophrenia data, 91.0 . Based on the final running time, SVM with Gaussian kernel has the fastest running time in classifying Schizophrenia data, 0.664 seconds. Furthermore, SVM with linear kernel, SVM with Gaussian kernel, and Twin SVM managed to reach an accuracy of 95.0 in at least one simulation in classifying Schizophrenia data."