Klasifikasi Aktivitas Gerakan Bayi Setelah Operasi Berbasis Motion Vector Menggunakan Support Vector Machine

Afriansyah, Faisal Lutfi (2017) Klasifikasi Aktivitas Gerakan Bayi Setelah Operasi Berbasis Motion Vector Menggunakan Support Vector Machine. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
2215205008-Master Thesis.pdf - Published Version

Download (6MB) | Preview

Abstract

Rasa sakit adalah pengalaman subjektif dan tidak ada tes objektif untuk mengukurnya, IASP (Asosiasi Internasional untuk Studi Rasa Sakit) memutuskan bahwa pasien menyampaikan rasa sakit yang dirasakan sebagai standar penilaian nyeri hingga saat ini. Sedangkan Bayi tidak bisa menyampaikan rasa sakit secara verbal. Dalam tulisan ini, kami mengembangkan sebuah sistem untuk mendeteksi aktivitas gerakan bayi setelah operasi dengan mengamati fitur vektor gerak berdasarkan FLACC. Pada FLACC, aktivitas adalah satu dari lima kategori untuk mengidentifikasi tingkat nyeri pada bayi dimana kategori aktivitas pada FLACC terbagi dalam 3 aktivitas, yaitu aktivitas gerakan tenang dengan skor 0, menggeliat memiliki skor 1 dan menyentak memiliki skor 2. Masukan sistem berupa video berukuran 640 x 480, dengan menggunakan algoritma block matching menggunakan sum of absolute difference dengan ukuran blok 8 x 8 dengan pendekatan deret Taylor untuk menghasilkan nilai dengan akurasi tinggi dari gerakan frame referensi ke frame tujuan saat ini dalam bentuk vektor gerak. Gerakan yang terjadi antar frame yang diamati, kemudian dilakukan pengurutan pada skala terbesar untuk mengetahui gerakan terbesar dan sekaligus bertindak sebagai fitur antar frame. Kemudian dilakukan klasifikasi menggunakan SVM (support vector machine) untuk mendapatkan kelas aktivitas berdasarkan FLACC yaitu Tenang, Menggeliat dan Menyentak. Hasil akurasi terbaik pada proses klasifikasi mencapai nilai 90,4762%. Metode yang diusulkan dalam penelitian ini adalah penelitian yang pertama pada klasifikasi aktivitas gerakan pada bayi setelah operasi. =============================================================================================== Pain is a subjective experience and no objective test exist to measure it, IASP (International Association for the Study of Pain) decided patients self-report as gold standard of pain assessment. Infant cannot provide a self-report of pain verbally. In this reseach, we developed a system to recognize post-surgery infant activity based FLACC (Face, Legs, Activity, Cry, Consolability), score 0 is given if the infant moves easily, score 1 if the infant is squirming, and a score 2 if the baby is jerking by observing the features of motion. In FLACC, activity is one of the five parameters to identify the level of infant pain. Using a block matching algorithm with the addition of the Taylor series to generate a value with high motion accuracy from the reference frame to the current frame in the form of a motion vector. Videos have been verified by doctors and nurses using hormone cortisol with FLACC measurements. The results of the experiment show the classification using SVM could detect the infant activity moves easily, squirming, and jerking at 90.4762%. Nevertheless, this experiment is still novel and needs further study on the infant activity.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Infant Activity, Motion Vector, Post Surgery, Taylor Series, SVM, FLACC
Subjects: T Technology > T Technology (General)
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions: Faculty of Industrial Technology > Electrical Engineering > (S2) Master Theses
Depositing User: Mr. Faisal Lutfi Afriansyah
Date Deposited: 08 Nov 2017 01:43
Last Modified: 05 Mar 2019 06:10
URI: http://repository.its.ac.id/id/eprint/42450

Actions (login required)

View Item View Item