Implementasi Teknologi Deep Learning untuk Diagnostik Stroke Otak Berbasis CNN-LSTM-FNN
DOI:
https://doi.org/10.52436/1.jpti.538Kata Kunci:
CNN, deep learning, FNN, LSTM, prediksi dini, stroke otakAbstrak
Stroke otak merupakan salah satu penyebab utama kematian dan kecacatan di dunia, dengan dampak besar pada sistem kesehatan dan ekonomi global. Penelitian ini bertujuan untuk mengembangkan model prediksi dini stroke otak berbasis deep learning dengan mengintegrasikan algoritma Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Feedforward Neural Network (FNN). Dataset yang digunakan terdiri atas citra medis seperti CT scan dan MRI, data temporal, serta informasi klinis lainnya, yang diproses menggunakan teknik preprocessing dan augmentasi data. CNN berfungsi untuk mengekstraksi fitur dari citra medis, LSTM untuk menganalisis data sekuensial, dan FNN untuk mengolah data terstruktur. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi tertinggi sebesar 97%, diikuti oleh LSTM dengan 94%, dan FNN sebesar 70%. Integrasi ketiga algoritma ini menghasilkan model prediksi yang lebih akurat dan komprehensif dibandingkan pendekatan individual. Pendekatan ini berpotensi meningkatkan akurasi diagnosis stroke, mempercepat pengambilan keputusan medis, serta mendukung pengelolaan perawatan pasien yang lebih efisien, sehingga dapat mengurangi beban pada sistem kesehatan global.
Unduhan
Referensi
I Putu Agus Aryawan, I Nyoman Purnama, and Ketut Queena Fredlina, “Analisis Perbandingan Algoritma Cnn Dan Svm Pada Klasifikasi Ekspresi Wajah,” Jurnal Teknologi Informasi dan Komputer, vol. 9, no. 4, pp. 399–408, 2023, doi: 10.36002/jutik.v9i4.2545.
R. Sari, A. E. Minarno, and Y. Azhar, “Implementasi Jaringan CNN-LSTM Untuk Deteksi Citra X-Ray Dada Covid-19,” Jurnal Repositor, vol. 4, no. 4, pp. 451–462, 2024, doi: 10.22219/repositor.v4i4.32290.
A. Foresta et al., “Heart Beat Prediction Based on Lstm Model on Raspberry Pi,” vol. 10, no. 7, pp. 1555–1562, 2023, doi: 10.25126/jtiik.2024118015.
Y. Yu, B. Parsi, W. Speier, C. Arnold, M. Lou, and F. Scalzo, “LSTM network for prediction of hemorrhagic transformation in acute stroke,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11767 LNCS, pp. 177–185, 2019, doi: 10.1007/978-3-030-32251-9_20.
B. Akter, A. Rajbongshi, S. Sazzad, R. Shakil, J. Biswas, and U. Sara, “A Machine Learning Approach to Detect the Brain Stroke Disease,” Proceedings - 4th International Conference on Smart Systems and Inventive Technology, ICSSIT 2022, no. January, pp. 897–901, 2022, doi: 10.1109/ICSSIT53264.2022.9716345.
Md. M. Islam, S. Akter, Md. Rokunojjaman, J. H. Rony, A. Amin, and S. Kar, “Stroke Prediction Analysis using Machine Learning Classifiers and Feature Technique,” International Journal of Electronics and Communications Systems, vol. 1, no. 2, pp. 57–62, 2021, doi: 10.24042/ijecs.v1i2.10393.
B. M. Elbagoury, L. Vladareanu, V. Vl?d?reanu, A. B. Salem, A. M. Travediu, and M. I. Roushdy, “A Hybrid Stacked CNN and Residual Feedback GMDH-LSTM Deep Learning Model for Stroke Prediction Applied on Mobile AI Smart Hospital Platform,” Sensors, vol. 23, no. 7, 2023, doi: 10.3390/s23073500.
W. Hastomo, Sugiyanto, and Sudjiran, “Convolution Neural Network Arsitektur Mobilenet-V2 Untuk Mendeteksi Tumor Otak,” Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK), vol. 5, no. 1, pp. 17–21, 2021.
F. N. Fiqri, “Sibyl EEG: Klasifikasi Aktivitas Otak pada Subjek Alkoholik dengan Elektroensefalografi (EEG) menggunakan Deep Learning,” 2020.
S. Rahman, M. Hasan, and A. K. Sarkar, “Prediction of Brain Stroke using Machine Learning Algorithms and Deep Neural Network Techniques,” European Journal of Electrical Engineering and Computer Science, vol. 7, no. 1, pp. 23–30, 2023, doi: 10.24018/ejece.2023.7.1.483.
V. Bandi, D. Bhattacharyya, and D. Midhunchakkravarthy, “Prediction of brain stroke severity using machine learning,” Revue d’Intelligence Artificielle, vol. 34, no. 6, pp. 753–761, 2020, doi: 10.18280/RIA.340609.
D. R. Chandranegara, Z. Sari, M. B. Dewantoro, H. Wibowo, and W. Suharso, “Implementation of Generative Adversarial Network (GAN) Method for Pneumonia Dataset Augmentation,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, vol. 4, no. May, 2023, doi: 10.22219/kinetik.v8i2.1675.
S. A. Mostafa, D. S. Elzanfaly, and A. E. Yakoub, “A Machine Learning Ensemble Classifier for Prediction of Brain Strokes,” International Journal of Advanced Computer Science and Applications, vol. 13, no. 12, pp. 258–266, 2022, doi: 10.14569/IJACSA.2022.0131232.
M. S. Sirsat, E. Fermé, and J. Câmara, “Machine Learning for Brain Stroke: A Review,” Journal of Stroke and Cerebrovascular Diseases, vol. 29, no. 10, 2020, doi: 10.1016/j.jstrokecerebrovasdis.2020.105162.
D. Rika Widianita, “No ????????????????????? ?????????????????Title,” AT-TAWASSUTH: Jurnal Ekonomi Islam, vol. VIII, no. I, pp. 1–19, 2023.
Y. A. Choi et al., “Deep learning-based stroke disease prediction system using real-time bio signals,” Sensors, vol. 21, no. 13, 2021, doi: 10.3390/s21134269.
A. A. SHELEMO, “No Title????,” Nucl. Phys., vol. 13, no. 1, pp. 104–116, 2023.
T. S. Heo et al., “Prediction of stroke outcome using natural language processing-based machine learning of radiology report of brain MRI,” J Pers Med, vol. 10, no. 4, p. 286, 2020.
M. Kaur, S. R. Sakhare, K. Wanjale, and F. Akter, “[Retracted] Early Stroke Prediction Methods for Prevention of Strokes,” Behavioural Neurology, vol. 2022, no. 1, p. 7725597, 2022.
