RANCANG BANGUN SOFTWARE KLASIFIKASI PENYAKIT JANTUNG KORONER DENGAN METODE EXTREME LEARNING MACHINE BERBASIS PEMROGRAMAN PYTHON
| Main Author: | DIFA FANANI ISMAYANTO, 081511733018 |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.unair.ac.id/89183/1/ST.T%2027-19%20Ism%20r%20abstrak.pdf http://repository.unair.ac.id/89183/2/ST.T%2027-19%20Ism%20r%20daftar%20isi.pdf http://repository.unair.ac.id/89183/3/ST.T%2027-19%20Ism%20r%20daftar%20pustaka.pdf http://repository.unair.ac.id/89183/4/ST.T%2027-19%20Ism%20r.pdf http://repository.unair.ac.id/89183/ http://lib.unair.ac.id |
Daftar Isi:
- Penyakit jantung koroner (PJK) merupakan salah satu penyakit kardiovaskular yang menyebabkan kematian tertinggi, baik di dunia maupun di Indonesia. Penyakit ini memiliki faktor-faktor resiko dan gejala yang dapat diketahui sebelumnya berdasarkan tingkat keparahan penyakit tersebut untuk dapat mengurangi resiko terjadinya kematian. Oleh karena itu, penelitian ini bertujuan untuk membangun aplikasi klasifikasi PJK berdasarkan fisiologis tingkat keparahannya, yang mana tipe yang paling ringan hingga terparah adalah Angina Pektoris Stabil, Angina Pektoris Tidak Stabil, Non STEMI, dan STEMI. Aplikasi ini juga dapat digunakan untuk pasien non-PJK yang memiliki beberapa karakteristik seperti PJK. Adapun parameter yang digunakan adalah sebanyak 8 parameter input berdasarkan riwayat penyakit, gejala yang dirasakan, dan hasil pemeriksaan laboratorium. Parameter tersebut adalah alkohol, hipertensi, obesitas, skala nyeri, sesak napas, kembung mual muntah, CKMB, dan hasil elektrokardiograf. Sampel penelitian diambil dari data rekam medis rawat inap Rumah Sakit Umum Haji Surabaya sejumlah 112 data training dan 22 data testing. Setiap data dengan parameter input tersebut selanjutnya diproses menggunakan aplikasi klasifikasi PJK yang sudah dirancang menggunakan metode Extreme Learning Machine berbasis pemrograman Python 2.7. Hasil performa sistem ini memiliki nilai akurasi proses training sebesar 100% dan 91% untuk proses testing.