Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika Jurnal EECCIS J-Dinamika: Jurnal Pengabdian Kepada Masyarakat Jurnal Teknologi Informasi dan Terapan (J-TIT) Journal of Information System and Technology (JOINT) Jurnal Informatika Polinema (JIP)
Aji Seto Arifianto
Politeknik Negeri Jember
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal EECCIS

 1 
Klasifikasi Stroke Berdasarkan Kelainan Patologis dengan Learning Vector Quantization Aji Seto Arifianto; Moechammad Sarosa; Onny Setyawati
Jurnal EECCIS Vol 8, No 2 (2014)
Publisher : Fakultas Teknik, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (702.634 KB)

Abstract

Dampak yang ditimbulkan stroke diantaranya kelumpuhan sebagian atau keseluruhan organ tubuh sampai kematian. Tingginya angka kematian akibat stroke disebabkan karena penanganan yang lambat. 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 tepat pula. Prosedur wajib atau Gold Standart Procedure untuk klasifikasi stroke menggunakan Computed Tomograph Scan atau Magnetic Resonance Imaging, permasalahannya di 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. Dalam penelitian ini diusulkan sebuah klasifikasi stroke secara komputerisasi menggunakan metode Learning Vector Quantization yang merupakan pengembangan dari Kohonen Self-Organizing Map, bersifat supervised dan competitive learning, struktur jaringannya single layer-net. Hasil dari penelitian ini tingkat akurasinya mencapai 96%. Uji diagnosis ditunjukkan dengan nilai Area Under Curve (AUC) sebesar 0,952 yang tergolong dalam kategori excellent.Kata Kunci— Klasifikasi, Stroke, Learning Vector Quantization.
Co-Authors Anik Nur Novitasari E S Ardan Venora Falahudin Bachtiar Juli Anandi Defi Tamara Didit Rahmat Hartadi Dwi Putro Sarwo Setyohadi Fendik Eko Purnomo Hendra Yufit Riskiawan M. Haerul Anam Mariska, Alvia Rizqi Mochamat Bintoro Moechammad Sarosa Moh. Miqdad Nidhom Fahmi Najmi Nurus Shofi Nugroho Setyo Wibowo Onny Setyawati Primasdika Yunia Putra Taufiq Rizaldi Taufiq Rizaldi Trismayanti Dwi Puspitasari Widya Yuristika Oktavia Wike Sri Widari Zilvanhisna Emka Fitri Zilvanhisna Emka Fitri