Predictive Analytics For Stroke Disease

Masruriyah, Anis Fitri Nur; Djatna, Taufik; Hardhienata, Hendradi; Handayani, Hanny Hikmayanti; Wahiddin, Deden

doi:10.1109/icic47613.2019.8985716

Cited by 6 publications

(4 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The evaluation method uses data that is divided into training data and test data with K-Fold Cross Validation. In this study 10-folds cross validation was chosen because based on [25], [26] 10-folds cross validation got the best error estimate. Then, the calculation of accuracy (Equation 5) uses the confusion matrix from Table 1 to get the evaluation results.…”

Section: Resultsmentioning

confidence: 99%

The Feature Extraction for Coronavirus Disease Classification Techniques

Masruriyah¹,

Basri²,

Handayani³

et al. 2021

Preprint

Self Cite

View full text Add to dashboard Cite

COVID-19 has been an epidemic since the end of 2019. The number of patients with COVID-19 continues to escalate until new variants emerge. The COVID-19 detection procedure begins with detecting early symptoms, furthermore confirmed by the swab and CXR methods. The process of swab and CXR takes a relatively long time since in CXR some patients have the same symptoms as pneumonia. This study carried out the classification of COVID-19 and not COVID-19 with feature extraction techniques and classification methods. The result of this study capable to identify CXR with COVID-19 and an accuracy of 96.5%. In addition, this study even compares the classification results without using feature extraction techniques. The comparison result showed that feature extraction was able to significantly improve accuracy.

show abstract

Section: Resultsmentioning

confidence: 99%

The Feature Extraction for Coronavirus Disease Classification Techniques

Masruriyah¹,

Basri²,

Handayani³

et al. 2021

Preprint

Self Cite

View full text Add to dashboard Cite

show abstract

“…I. K-Fold Cross Validation K-Fold Cross-Validation adalah teknik yang umum digunakan dalam pembelajaran mesin dan statistik untuk mengevaluasi kinerja model atau algoritma (Djatna et al, 2018;Masruriyah et al, 2019;Mia et al, 2022;Nur Masruriyah et al, 2021;Sonjaya et al, 2022). Ini digunakan untuk mengukur sejauh mana model yang dikembangkan mampu melakukan generalisasi pada data yang belum pernah dilihat sebelumnya.…”

Section: Hunclassified

“…Kombinasi K-Fold Cross-Validation dengan Confusion Matrix membantu menghindari bias dalam evaluasi model, karena model diuji pada beberapa subset data yang berbeda (Agtira et al, 2023;Djatna et al, 2018;Masruriyah et al, 2019). Ini memberikan gambaran yang lebih obyektif tentang seberapa baik model yang dibangun dapat menggeneralisasi dan menghindari overfitting.…”

Section: Hunclassified

Pengukuran Kinerja Model Klasifikasi dengan Data Oversampling pada Algoritma Supervised Learning untuk Penyakit Jantung

Masruriyah,

Novita,

Sukmawati

et al. 2024

co-science

View full text Add to dashboard Cite

Penyakit jantung tetap menjadi penyebab utama kematian di Indonesia dan dunia. Dalam data mining, ketidakseimbangan kelas antara sampel penyakit jantung dan normal dalam dataset adalah masalah serius. Hal ini dapat mengarah pada bias model ke arah kelas mayoritas, mengakibatkan kinerja buruk dalam mengidentifikasi kasus penyakit jantung yang lebih sedikit. Penelitian ini mengatasi masalah ini dengan menerapkan teknik oversampling, khususnya Synthetic Minority Over-sampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN). Hasilnya menunjukkan bahwa model tanpa oversampling mencapai akurasi dan presisi di atas 80%, namun memiliki kinerja yang buruk dalam memisahkan kelas. Model yang memanfaatkan oversampling, meskipun dengan penurunan akurasi dan presisi, berhasil meningkatkan kemampuan dalam membedakan kelas penyakit jantung dan normal. Model terbaik menggunakan algoritma Random forest dengan SMOTE mencapai nilai AUC sebesar 0.868, menandakan peningkatan yang signifikan dalam pemisahan kelas. Temuan ini memberikan panduan penting bagi pengembangan model klasifikasi penyakit jantung yang lebih efektif dan akurat. Penggunaan teknik oversampling, seperti SMOTE, terbukti menjadi strategi yang efektif untuk mengatasi ketidakseimbangan kelas dalam data mining penyakit jantung. Meskipun akurasi dan presisi dapat mengalami penurunan, kemampuan model dalam mengidentifikasi penyakit jantung menjadi lebih andal, dengan hasil yang diukur menggunakan AUC yang signifikan. Penelitian ini berkontribusi pada upaya meningkatkan pencegahan dan pengobatan penyakit jantung melalui teknik data mining yang canggih dan berkelanjutan.

show abstract

“…S. Cheon and J. Kim menggunakan metode Principal Component Analysis dan pendekatan Deep Neural Network (DNN) [7]. Sedangkan A. Fitri, N. Masruriyah, T. Djatna et al juga menggunakan Artificial Neural Network untuk melakukan prediksi stroke, dengan nilai Akurasi terbaik sebesar 94,97% [8].…”

Section: Pendahuluanunclassified

Deep Neural Network untuk Prediksi Stroke

Faisal

Subekti

2021

JEPIN

View full text Add to dashboard Cite

Pada Tahun 2019 Organisasi Kesehatan Dunia (WHO) mendudukkan stroke sebagai tujuh dari sepuluh penyebab utama kematian. Kementerian Kesehatan menggolongkan stroke sebagai penyakit katastropik karena dampaknya luas secara ekonomi dan sosial. Oleh karena itu, diperlukan peran dari teknologi informasi untuk memprediksi stroke guna pencegahan dan perawatan dini. Analisis data yang memiliki kelas tidak seimbang mengakibatkan ketidakakuratan dalam memprediksi stroke. Penelitian ini membandingkan tiga teknik oversampling untuk mendapatkan model prediksi yang lebih baik. Data kelas yang sudah diseimbangkan diuji menggunakan tiga model Arsitektur Deep Neural Network (DNN) dengan melakukan optimasi pada beberapa parameter yaitu optimizer, learning rate dan epoch. Hasil paling baik didapatkan teknik oversampling SMOTETomek dan Arsitektur DNN dengan lima hidden layer, optimasi Adam, learning rate 0.001 dan jumlah epoch 500. Skor akurasi, presisi, recall, dan f1-score masing-masing mendapatkan 0.96, 0.9614, 0.9608 dan 0.9611.

show abstract

Predictive Analytics For Stroke Disease

Cited by 6 publications

References 14 publications

The Feature Extraction for Coronavirus Disease Classification Techniques

The Feature Extraction for Coronavirus Disease Classification Techniques

Pengukuran Kinerja Model Klasifikasi dengan Data Oversampling pada Algoritma Supervised Learning untuk Penyakit Jantung

Deep Neural Network untuk Prediksi Stroke

Contact Info

Product

Resources

About