Perpustakaan Digital ITB

Salah satu gejala seseorang mengalami penyakit otot atau saraf adalah gangguan pada gerak berjalan. Dewasa ini, penggunaan machine learning di bidang kedokteran untuk klasifikasi penyakit sudah menjadi hal yang umum. Tujuan dari penelitian ini adalah untuk menentukan metode machine learning yang sesuai untuk mendeteksi gangguan gaya berjalan berdasarkan kecepatan sudut dan percepatan linear yang diperoleh dengan menggunakan Inertial Measurement Unit (IMU). Pertama, data tersebut akan melalui proses standarisasi dan normalisasi menggunakan piecewise linear length normalization. Pada proses ini, sinyal akan disegmentasi per siklus gaya berjalan dan amplitudo kemudian dibandingkan dengan nilai ambang batas atas (UCL) dan bawah (LCL) untuk menentukan skor anomali untuk setiap siklus gaya berjalan. Perhitungan ini dilakukan dengan dua metode, metode pertama adalah pemberian nilai 1 jika titik pada sinyal gerak langkah melewati UCL atau LCL, dan metode kedua adalah perhitungan selisih antara nilai titik pada sinyal langkah yang melewati UCL atau LCL terhadap nilai UCL atau LCL. Setelah itu, data anomali tiap siklus gait akan dibagi menjadi set data pelatihan dan pengujian untuk machine learning dengan menggunakan algoritma decision tree dan random forest. Algoritma akan menggunakan set data pelatihan untuk mempelajari cara mengklasifikasikan data untuk siklus berjalan normal dan tidak normal, lalu menggunakan set data pengujian untuk mencoba mengklasifikasikan secara otomatis. Evaluasi kinerja algoritma pembelajaran mesin akan dinilai dari accuracy dan recall. Untuk pengujian algoritma random forest menggunakan metode pertama, accuracy sebesar 94,79% dan recall sebesar 100%. Untuk pengujian algoritma random forest menggunakan metode dua, accuracy sebesar 93,75% dan recall sebesar 100%. Selain kedua parameter tersebut, nilai Shapley Additive Explanation juga dihasilkan, yang bertujuan untuk memberikan informasi tambahan kepada para profesional medis yang akan berguna.