AHMAD SUNARTO HASIBUAN, - (2022) DIAGNOSISFAKTOR RISIKO STROKEMENGGUNAKAN METODE ROUGH SETDAN BACKPROPAGATION NEURAL NETWORK. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

	Text (BAB 4 - 5) laporan bab 4 5.pdf - Published Version Restricted to Repository staff only Download (10MB)
Preview	Text Laporan Full Kecuali ( Bab 4 - 5 ).pdf Download (13MB) | Preview

Abstract

Diagnosis faktor risiko Stroke merupakan suatu upaya yang dilakukan dalam rangka pencegahan adanya kemungkinan penyakit Stroke di dalam diri pasien. Pada penderita Stroke, kebanyakan yang terkena penyakit Stroke tidak mengetahui faktor risiko Stroke yang meliputi gejala, pola makan dan pola hidup. Beberapa penderita Stroke bahkan menganggap faktor risiko Stroke adalah hal yang sudah biasa terjadi di kehidupan sehari-hari. Dalam penelitian ini, menggunakan metode Rough Set dan Backpropagation Neural Network (BPNN) sebagai metode klasifikasi. Metode Rough Set digunakan untuk seleksi fitur, dan metode BPNN digunakan untuk klasifikasi stoke berdasarkan faktor risiko Stroke setelah selesai di seleksi fitur. Pada penelitian penulis mengimplementasikan Analisa rough set dengan bahasa pemrograman python dan Backpropagation Neural Network (BPNN) diimplentasikan dengan pemrograman Matlab. Data yang digunakan adalah data kuisioner yang telah dikonsultasikan dengan dokter. Data yang digunakan berjumlah 86 data pasien penyakit Stroke. Berdasarkan analisa rough set didapatkan faktor risiko yang mempengaruhi yakni Riwayat Stroke, Riwayat Hipertensi, Riwayat Jantung, Riwayat Stroke Keluarga, Merokok dan Perubahan. Selanjutnya dilakukan implementasi algoritma BPNN untuk penentuan jenis penyakit Stroke. Berdasarkan pengujian menggunakan learning rate 0,1 Hidden Layer 1, jumlah Epoch 1000 dan fungsi aktivasi Sigmoid Biner didapat akurasi tertinggi pada pembagian data 80% data latih dan 20% data uji yaitu mencapai 94.117%. Kata Kunci: Kesehatan, Stroke, Rough Set, Backpropagation Neural Network (BPNN), Focus Group Discussion (FGD) dan Jaringan Saraf Tiruan (JST)

Actions (login required)

View Item