Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Pada era modern ini, semakin banyak jenis penyakit yang baru dengan gejala yang berbeda beda juga. Teknologi dituntut bisa memainkan peran untuk membantu penelitian pada bidang kesehatan. Stroke merupakan salah satu penyakit yang memiliki angka kematian tertinggi di dunia. Stroke terjadi karena terganggunya pasokan darah menuju otak sehingga otak mengalami kekurangan oksigen dan nutrisi. Stroke bisa dibagi menjadi berdasarkan bagaimana stroke terjadi, stroke hemoragik dan stroke iskemik. Stroke hemoragik terjadi karena pecahnya pembuluh darah yang menuju otak, sedangkan stroke iskemik terjadi karena terjadinya penyumbatan yang mengganggu pasokan darah ke otak. Jika penyumbatan terjadi pada daerah otak, maka disebut infark serebri. Dalam studi ini digunakan metode Convolutional Neural Network untuk mengklasifikasikan data gambar infark serebri yang nantinya akan dibandingkan dengan metode Neural Network. Didapatkan dari hasil performa metode Convolutional Neural Network lebih baik jika dibandingkan dengan metode Neural Network untuk pengklasifikasian data gambar infark serebri.

Abstrak :
Stroke merupakan penyakit yang menempati urutan ketiga sebagai penyebab kematian terbesar di dunia setelah penyakit jantung dan kanker. Stroke juga menduduki posisi pertama sebagai penyakit yang dapat menyebabkan kecacatan, baik ringan maupun berat. Salah satu jenis stroke yang umum terjadi adalah infark serebri. Di Indonesia, jumlah penderita stroke, terutama infark serebri, semakin meningkat setiap tahunnya. Tidak hanya terjadi pada seseorang yang berusia lanjut, namun infark serebri juga dapat terjadi pada seseorang yang masih muda dan produktif. Oleh sebab itu, pendeteksian dini terhadap infark serebri sangatlah penting. Berbagai metode medis selalu digunakan untuk mengklasifikasi infark serebri, namun dalam penelitian ini, akan digunakan metode machine learning. Metode yang diusulkan yaitu Multiple Support Vector Machine dengan Seleksi Fitur Information Gain (MSVM-IG). MSVM-IG merupakan metode baru yang menggunakan support vector sebagai data baru untuk selanjutnya dilakukan seleksi fitur dan evaluasi performa. Data yang digunakan berupa data numerik hasil CT Scan yang diperoleh dari RSUPN dr. Cipto Mangunkusumo, Jakarta. Berdasarkan hasil uji coba, metode yang diusulkan mampu mencapai nilai akurasi sebesar 88,71%. Sehingga, metode MSVM-IG ini dapat menjadi salah satu alternatif untuk membantu praktisi medis dalam mengklasifikasi infark serebri.

---

Stroke is a disease that ranks third as the biggest cause of death in the world after heart disease and cancer. Stroke also occupies the first position as a disease that can cause disability, both mild and severe. One type of stroke that is common is cerebral infarction. In Indonesia, the number of stroke patients, especially cerebral infarction, is increasing every year. Not only occurs in someone who is elderly, but cerebral infarction can also occur in someone who is young and productive. Therefore, early detection of cerebral infarction is very important. Various medical methods are always used to classify cerebral infarction, but in this study, machine learning methods would be used. The proposed method is Multiple Support Vector Machine with Information Gain Feature Selection (MSVM-IG). MSVM-IG is a new method that uses support vector as a new dataset, then feature selection step and performance evaluation are performed. The data used in the form of numerical data results of CT scan obtained from RSUPN Dr. Cipto Mangunkusumo, Jakarta. Based on the results, the proposed method is able to achieve an accuracy value of 88.71%. Thus, the MSVM-IG could be an alternative to assist medical practitioners in classifying cerebral infarction.

Abstrak :
ABSTRAK

Infark Serebri adalah kondisi dari suatu jaringan otak yang tidak teralirkan darah sehingga sel-sel otak tersebut kekurangan oksigen dan nutrisi. Hal ini dapat mengakibatkan kerusakan bahkan kematian sel-sel otak dan perlu dengan segera mendapatkan penanganan. Keadaan ini sering dikenal sebagai Stroke, dimana pada penulisan ini akan berfokus pada data stroke nonhemoragik (stroke tidak berdarah) yang diakibatkan penyumbatan pembuluh darah di otak. Biasanya penyakit ini dapat dikenali dari gejala kelumpuhan suatu bagian tubuh atau kesulitan menggunakan suatu alat indra. Menurut para ahli, penyakit ini harus dicegah sejak dini karena dapat berakibat fatal bagi keseluruhan fungsional tubuh. Salah satu tindakan yang dapat dilakukan sejak dini adalah mendeteksi kemungkinan penyakit agar dapat dilakukan penanganan secara tepat dan cepat. Dalam penelitian ini, Infark Serebri dideteksi dengan mengklasifikasi ada atau tidaknya sel abnormal pada jaringan otak pada hasil CT Scan otak pasien menggunakan Support Vector Machine dengan Seleksi Fitur RELIEF. Data yang digunakan berupa data numerik dari pasien yang melakukan pemeriksaan di RSUPN dr. Cipto Mangunkusumo Jakarta dalam bentuk hasil CT Scan otak. Terdapat Sembilan fitur indikator yang digunakan dan diproses dengan membandingkan Support Vector Machine dengan dan tanpa seleksi fitur RELIEF. Berdasarkan hasil uji coba, metode yang diusulkan mampu mencapai akurasi sebesar 95,23%. Sehingga, penggunaan seleksi fitur RELIEF pada SVM merupakan metode yang baik untuk menklasifikasi infark serebri.

---

ABSTRACT

 

---

The Cerebrovascular Infarction is a condition of an inflowed blood of brain tissue so that the brain cells lack oxygen and nutrients. This can cause the damage and even the death of brain cells and needed to get immediate treatment. This situation is often known as stroke, which at this writing will fokus on data on non-hemoragic strokes (non-bleeding strokes) caused by blockage of blood vessels in the brain. Usually this disease can be identified by symptoms of paralysis of some body part or difficulty using a human sensory. According to the experts, this disease must be prevented early because it can be fatal to the overall functional body. One of the actions that can be done early is to detect the possibility of a disease so that it can be handled appropriately and quickly. In this study, the cerebral infarction was detected by classifying the presence or absence of abnormal cells in brain tissue in the results of a CT brain scan of patients using Support Vector Machine with the RELIEF Selection Feature. The data used in the form of numerical data reports from patients who performed examinations at the RSUPN dr. Cipto Mangunkusumo Jakarta in the form of brain CT Scan. There are nine indicator features that are used and processed by comparing Support Vector Machine with and without RELIEF feature selection. Based on the results, the proposed method is able to achieve accuracy value of 95,23%. Thus, the use of RELIEF feature selection with SVM is a good method for classifying cerebral infarction.

 

Abstrak :
ABSTRAK
Infark serebral merupakan salah satu penyebab terjadinya stroke iskemik di otak. Dalam mendiagnosis adanya infark serebral di otak, digunakan pembelajaran mesin karena tidak cukup hanya menggunakan CT scan untuk mendiagnosisnya. Support vector machine (SVM) merupakan salah satu metode pembelajaran mesin yang dikenal dengan nilai akurasinya yang tinggi. Namun SVM dapat memberikan hasil yang kurang optimal jika data yang digunakan tidak seimbang. Jika data yang digunakan tidak seimbang, model yang dihasilkan akan bias. Oleh karena itu, penelitian ini menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) dalam menangani data infark serebral yang tidak seimbang sehingga menjadi data yang seimbang. SMOTE mensintesis sampel data baru dari kelas minoritas untuk menyeimbangkan kumpulan data. Metode ini bekerja dengan mencari nilai tetangga terdekat untuk setiap data di kelas minoritas. Data yang telah diimbangi dengan metode SMOTE akan diklasifikasikan menggunakan SVM. Hasil klasifikasi SVM pada data infark serebral imbalanced dan data infark serebral berimbang akan dibandingkan berdasarkan nilai akurasi, recall, spesifisitas, presisi dan f1-score. Data infark serebral diperoleh dari Bagian Radiologi RSUD Dr. Cipto Mangunkusumo.
ABSTRACT
Cerebral infarction is one of the causes of ischemic stroke in the brain. In diagnosing cerebral infarction in the brain, machine learning is used because it is not enough to just use a CT scan to diagnose it. Support vector machine (SVM) is a machine learning method known for its high accuracy value. However, SVM can give less than optimal results if the data used is not balanced. If the data used is not balanced, the resulting model will be biased. Therefore, this study uses the Synthetic Minority Oversampling Technique (SMOTE) method in handling unbalanced cerebral infarction data so that it becomes a balanced data. SMOTE synthesizes a new data sample from a minority class to balance the data set. This method works by finding the value of the nearest neighbor for each data in the minority class. Data that has been balanced with the SMOTE method will be classified using SVM. The SVM classification results on imbalanced cerebral infarction data and balanced cerebral infarction data will be compared based on the accuracy, recall, specificity, precision and f1-score values. Cerebral infarction data were obtained from the Radiology Department of RSUD Dr. Cipto Mangunkusumo.

Abstrak :
ABSTRAK
Latar belakang dan tujuan: Gangguan fungsi kognitif, mulai dari gangguan ringan hingga demensia, yang prevalensinya semakin meningkat seiring dengan peningkatan angka harapan hidup, akan mempengaruhi kualitas hidup seseorang. Hingga saat ini, minimnya pemanfaatan pemeriksaan patologi untuk menegakkan diagnosis definitif menjadikan pemeriksaan fungsi luhur sebagai pemeriksaan baku emas dengan angka sensitivitas dan spesifisitas yang baik. Seiring kemajuan teknologi kedokteran, MRI kepala mulai digunakan secara luas untuk menilai proses neurodenegeratif dan patologi vaskular otak yang berkorelasi kuat dengan gangguan fungsi kognitif. Penilaian temuan kelainan dengan metode skala pengukuran visual yang menggabungkan temuan atrofi dan lesi vaskular terbukti memberikan hasil yang baik dalam penegakkan diagnosis dan prediksi prognosis gangguan fungsi kognitif. Titik potong baku dan valid untuk menegakkan diagnosis dan memprediksi adanya gangguan fungsi kognitif perlu diteliti untuk meningkatkan peran MRI kepala dalam penilaian fungsi kognitif.Metode: Uji deskriptif dengan pendekatan potong lintang untuk mengetahui nilai titik potong skor atrofi serebri, skor lesi substansia alba, dan skor infark serebri pada pasien dengan demensia dan gangguan fungsi kognitif ringan. Pemeriksaan dilakukan berdasarkan data pemeriksaan fungsi kognitif dan MRI kepala terhadap 76 subjek penelitian dalam kurun waktu Januari 2014 hingga Desember 2016.Hasil: Skala pengukuran visual dapat menggambarkan perubahan struktur otak pada pasien dengan gangguan fungsi kognitif. Dengan perhitungan receiver operation curve ROC dari skor atrofi, lesi vaskular, dan skor visual gabungan pada pasien dengan demensia dan gangguan fungsi kognitif ringan didapatkan bahwa skor visual gabungan memiliki nilai akurasi diagnostik terbaik dengan nilai AUC 78,3 95 IK 68,1 -88,6 . Kemudian didapatkan titik potong skor visual gabungan sebesar 8,5 sensitivitas 55,6 , spesifisitas 82,5 dengan tingkat spesifisitas tertinggi dalam membedakan pasien dengan demensia dan gangguan fungsi kognitif ringan.Kesimpulan: Skor visual gabungan mempunyai nilai akurasi diagnostik sedang dan dapat digunakan pada praktik klinis dalam membedakan pasien dengan demensia dan gangguan fungsi kognitif ringan

---

ABSTRACT Background and objective Impaired cognitive function, ranging from mild impairment to dementia, whose prevalence increases with increasing life expectancy, will affects the quality of life. Until now, the lack of utilization of pathology examination to make a definitive diagnosis makes the neuropsychological screening instruments as a gold standard examination with good sensitivity and specificity. As medical technology advances, head MRIs are beginning to be widely used to assess neurodegenerative processes and brain vascular pathology that are strongly correlated with cognitive impairment. Assessing findings of abnormalities by a visual measurement scale method that combines the findings of atrophy and vascular lesions proved to provide good results in the diagnosis and prediction of cognitive function impairment prognosis. Standard and valid cutoff points for diagnosis and predicting cognitive dysfunction need to be investigated to improve the role of head MRI in cognitive function assessment. Methods A descriptive test with a cross sectional approach to determine the value of the cutoff point of cerebral atrophy, white matter lesion, and cerebral infarct score in patients with dementia and mild cognitive impairment. The examination was performed based on cognitive function and head MRI examination data on 76 subjects in the period from January 2014 to December 2016. Result The scale of visual measurements can describe changes in brain structure in patients with cognitive impairment. With the calculation of receiver operation curve ROC of atrophic scores, vascular lesions, and combined visual scores in patients with dementia and mild cognitive impairment, AUC 78.3 95 CI 68.1 88.6 was obtained with cut point cut point 8.5 with the highest level of specificity sensitivity 55.6 , specificity 82.5 in distinguishing patients with dementia and mild cognitive impairment. Conclusion The combined visual score cutoff point has a moderate diagnostic value of accuracy and can help to distinguish patients with dementia and mild cognitive impairment in clinical practice.