Electronic Theses and Dissertation

Stroke iskemik adalah keadaan ketika otak mengalami kekurangan pasokan darah karena adanya penyumbatan akibat gumpalan darah yang terbentuk di dalam pembuluh darah arteri. seseorang yang pernah menderita stroke dapat mengalami stroke berulang untuk yang kedua atau ketiga kalinya. kemungkinan sembuh pada serangan kedua dan selanjutnya lebih kecil karena banyaknya kerusakan yang ditimbulkan oleh stroke. salah satu cara mengurangi terjadinya stroke berulang adalah dengan memberikan penanganan yang tepat dan mengidentifikasi penyebabnya sesuai jenis stroke yang menimpa. stroke iskemik berdasarkan penyebabnya dapat dibagi menjadi kardioemboli (gumpalan berasal dari pecahan plak/emboli dari jantung) dan aterotrombotik (gumpalan berasal dari kerak/plak dinding arteri). penelitian ini bertujuan membangun model deep learning yang dapat mempelajari gambar gumpalan dan melakukan klasifikasi asal gumpalan darah. dataset yang digunakan pada penelitian ini berupa gambar dari mayo clinic strip ai dataset. dataset terdiri dari 2 class yaitu cardioembolic dan large artery atherosclerosis yang masing-masing berjumlah 547 dan 207 data. setiap data melalui tahap preprocessing yang terdiri dari proses tiling dan resize sebelum menjadi input pada model. tahap preprocessing pada penelitian ini terdiri dari 2 metode yaitu tiling-resize dan resize-tiling. model pada penelitian ini menggunakan arsitektur efficientnet dan squeezenet. setiap model dilatih dan diuji menggunakan dataset hasil dari 2 metode preprocessing. model dengan hasil terbaik ditentukan dengan melihat nilai loss dan akurasi. model yang memberikan hasil terbaik adalah model efficientnet yang menggunakan metode pemrosesan data tiling-resize. loss yang diperoleh dari model terbaik adalah 0,3101 dan akurasi yang diperoleh sebesar 0,8750. kemudian dilakukan pemrosesan data lanjutan berupa seleksi luas area di dalam kontur. loss yang diperoleh setelah menerapkan seleksi adalah 0,0694 dan akurasi yang diperoleh sebesar 0,92. loss yang dihasilkan masih tergolong besar. penyebab besarnya loss yang diperoleh dikarenakan jumlah dataset yang tidak seimbang pada kedua class.

Ischemic stroke is a condition when the brain experiences a lack of blood supply due to a blockage of blood clot that forms in the arteries. Someone who has had a stroke may have a second or third stroke. Chances of recovery in the second and subsequent attacks are less because of the large amount of damage caused by a stroke. One of the ways to reduce the occurrence of recurrent strokes is to provide appropriate treatment and identify the cause according to the type of stroke that befalls. Ischemic stroke based on the cause can be divided into cardioembolic (clots originating from plaque fragments/embolism from the heart) and atherothrombotic (clots originating from the crust/plaque of the arterial wall). This research aims to build a deep learning model that can study clot images and classify the origin of blood clots. The dataset used in this study is images from the Mayo Clinic Strip AI Dataset. The dataset consists of 2 classes, namely cardioembolic and large artery atherosclerosis, which total 547 and 207 data respectively. Each data goes through a preprocessing stage which consists of tiling and resizing processes before being input to the model. The preprocessing stage in this study consisted of 2 methods, namely tiling-resize and resize-tiling. The model in this study uses the EfficientNet and SqueezeNet architectures. Each model is trained and tested using a dataset resulting from 2 preprocessing methods. The model with the best results is determined by looking at the loss value and accuracy. The model that gives the best results is the EfficientNet model which uses the tiling-resize data processing method. The loss obtained from the best model is 0,3101 and the accuracy obtained is 0,8750. Subsequently, further data processing was conducted, involving wide area selection within the contours. The obtained loss after implementing the selection was 0.0694, with an accuracy of 0.92. The resulting loss is still relatively large. The cause of the large loss obtained is due to the unbalanced number of datasets in the two classes.