Implementasi Feedback Cascade Regression Untuk Deteksi Kelemahan Wajah Pada Gejala Stroke Dengan Metode Support Vector Machines

Shavin, Mohamad (2024) Implementasi Feedback Cascade Regression Untuk Deteksi Kelemahan Wajah Pada Gejala Stroke Dengan Metode Support Vector Machines. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5023201045-Undergraduate_Thesis.pdf] Text
5023201045-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2026.

Download (2MB) | Request a copy

Abstract

Stroke menempati posisi pertama sebagai penyebab kematian tertinggi di Indonesia, dengan angka kematian mencapai 132 kasus per 100.000 penduduk menurut data dari Organisasi Kesehatan Dunia (WHO) pada tahun 2019. Angka kematian yang tinggi ini menyoroti dampak parah stroke terhadap kesehatan masyarakat. Meskipun demikian, banyak kasus stroke tidak mendapatkan pencegahan tepat waktu, yang dapat mengakibatkan hasil yang lebih parah. Kesadaran terhadap gejalanya sangat penting untuk mencegah stroke akut. Metode FAST (Face drooping, Arm weakness, Speech difficulty, Time to call Emergency Medical Services) merupakan panduan efektif untuk mengidentifikasi gejala utama stroke. Untuk gejala pada wajah, ini melibatkan ketidakmampuan menggerakkan sebagian wajah, yang terlihat saat tersenyum atau dalam keadaan tenang. Indikator tambahan termasuk mata yang terkulai, alis yang tidak simetris, dan penampilan wajah yang menurun secara keseluruhan (Kelemahan Wajah). Penelitian ini menggunakan dataset Toronto Neuroface untuk mendeteksi kelemahan wajah pada pasien. Metode yang diterapkan melibatkan penyelarasan wajah menggunakan Feedback Cascade Regressions dan ekstraksi landmark pada wajah. Landmark yang diekstraksi kemudian dihitung menjadi 29 fitur yang berbeda untuk mengukur simetri antara kedua sisi wajah. Fitur-fitur ini menjadi parameter penting untuk melatih model klasifikasi menggunakan Support Vector Machine (SVM). Metode SVM menggunakan hyperplane untuk secara efektif memisahkan dua kelas, membedakan antara wajah normal dan yang terkena stroke. Dengan menggunakan metode SVM, diperoleh akurasi sebesar 95%. Akurasi ini diperoleh dengan parameter grid C 100, gamma 0.1, dan kernel yang digunakan adalah Radial Basis Function (RBF).
============================================================================================
Stroke ranks as the leading cause of death in Indonesia, with a mortality rate of 132 cases per 100,000 people according to World Health Organization (WHO) data in 2019. This high mortality rate highlights the severe impact of stroke on public health. Nevertheless, many stroke cases do not receive timely prevention, which can result in more severe outcomes. Awareness of its symptoms is crucial to prevent acute stroke. The FAST method (Face drooping, Arm weakness, Speech difficulty, Time to call Emergency Medical Services) serves as an effective guideline for identifying the main symptoms of stroke. For facial symptoms, this involves the inability to move part of the face, noticeable when smiling or at rest. Additional indicators include drooping eyes, asymmetric eyebrows, and a generally diminished facial appearance (Facial Weakness). This study uses the Toronto Neuroface dataset to detect facial weakness in patients. The method involves aligning the face using Feedback Cascade Regressions and extracting landmarks on the face. The extracted landmarks are then computed into 29 different features to measure the symmetry between both sides of the face. These features serve as crucial parameters for training a classification model using a Support Vector Machine (SVM). The SVM method uses a hyperplane to effectively separate two classes, distinguishing between normal and stroke-affected faces. Using the SVM method, an accuracy of 95% is achieved. This accuracy is obtained with a grid parameter C of 100, gamma of 0.1, and the kernel used is the Radial Basis Function (RBF).

Item Type: Thesis (Other)
Uncontrolled Keywords: Facial Weakness, Feedback Cascade Regression, Landmark, Stroke, SVM. Facial Weakness, Feedback Cascade Regression, Landmark, Stroke, SVM.
Subjects: T Technology > T Technology (General)
T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T59.7 Human-machine systems.
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
T Technology > TA Engineering (General). Civil engineering (General) > TA1650 Face recognition. Optical pattern recognition.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User: Mohamad Shavin
Date Deposited: 05 Aug 2024 08:20
Last Modified: 05 Aug 2024 08:20
URI: http://repository.its.ac.id/id/eprint/111380

Actions (login required)

View Item View Item