Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit Paru Obstruktif Kronik (PPOK) merupakan salah satu penyebab kematian terbanyak dengan jumlah kematian sekitar 3 juta jiwa atau setara dengan 5,2% dari jumlahkematian di seluruh dunia. Untuk itu diperlukan penelitian lebih lanjut mengenai PPOK, namun data yang dikumpulkan dalam penelitian biasanya tidak memuat semua data yang diinginkan. Hilangnya informasi dalam data dikenal dengan istilah missing values yang dapat menjadi masalah untuk semua jenis analisis data. Salah satu cara untuk menangani missing values yaitu dengan melakukan proses imputasi data pada tahap preprocessing untuk mendapatkan data lengkap yang diharapkan mampu meningkatkan akurasi dari analisis data yang dilakukan. Pada penelitian ini dilakukan imputasi menggunakan mean dan Fuzzy C-Means (FCM). FCM merupakan metode pengelompokan yang memungkinkan satu bagian data menjadi milik dua atau lebih kelompok berdasarkan nilai keanggotaannya. Data lengkap hasil imputasi diuji menggunakan metode klasifikasi Decision Tree dengan persentase data training 50%-90% untuk melihat performa dari metode mean dan FCM. Berdasarkan penelitian ini diperoleh nilai akurasi, presisi, dan recall tertinggi untuk klasifikasi data PPOK yang diimputasi menggunakan mean masing-masing sebesar 64,7%, 71%, dan 65%. Sedangkan nilai akurasi, presisi, dan recall tertinggi untuk klasifikasi data PPOK yang diimputasi menggunakan FCMmasing-masing sebesar 78,9%, 85%, dan 79%. Hasil ini menunjukkan bahwa FCM membantu Decision Tree untuk mengklasifikasikan data lebih baik dengan nilai imputasi yang lebih baik untuk menggantikan missing values.

---

Chronic Obstructive Pulmonary Disease (COPD) is one of the most causes of death in the world with around 3 million deaths, equivalent to 5.2% of deaths worldwide. For this reason, further research needs to be done on CPOD, but the data collected in the study often does not contain all the desired data. Loss information in data is called as a missing values which can be a problem for all types of data analysis. One way to handle missing values is by doing the imputation process at the preprocessing stage to obtain complete data which is expected to increase the accuracy of the data analysis performed. In this study, imputation was done using mean and FCM. FCM is a clustering method that allows one part of the data to belong to two or more groups based on their membership function. The complete dataset was trained with Decision Tree classifier with the percentage of data training 50%-90% to observe the performance in terms of accuracy, precision, and recall for mean and FCM method. Based on this study, the highest value of accuracy, precision,and recall for classification of COPD data imputed using mean of 64.7 %, 71 % and 65 % respectively. While the highest value of accuracy, precision, and recall for classification of COPD data imputed using FCM is 78.9 %, 85 %, and 79 % respectively. These results indicate that FCM helps Decision Tree to classify data better with better imputation values to replace missing values."

"Dalam suatu penelitian, dibutuhkan data yang dikumpulkan dan diolah untuk memecahkan permasalahan dan membuktikan hipotesis dalam penelitian. Namun, seringkali data yang diperoleh tidak menyimpan nilai untuk suatu variabel pada observasi yang diharapkan. Data yang tidak tersimpan menyebabkan data penelitian kosong dan berdampak pada penelitian. Jika peristiwa ini terjadi, maka penelitian terindikasi memiliki missing data atau missing values. Salah satu cara untuk mengatasi missing values yaitu dengan imputasi. Imputasi bekerja dengan mengisi nilai pada missing values dengan suatu nilai estimasi yang telah dianalisis dan diputuskan untuk membuat suatu dataset lengkap. Dalam proses imputasi, seringkali ditemukan bahwa data yang digunakan untuk imputasi terkadang memiliki karakteristik yang tidak jelas atau tidak konsisten, maka salah satu solusinya adalah dengan menggunakan metode Fuzzy C-Means (FCM). Estimasi nilai-nilai missing values menggunakan model FCM menghasilkan model prediksi dengan variasi parameter yang beragam sehingga dibutuhkan pendekatan lain untuk menghasilkan model terbaik dengan parameter yang optimal. Hal inilah yang mendasari diperlukannya suatu pendekatan hybrid, yaitu dengan menggabungkan beberapa model machine learning untuk memperoleh hasil estimasi missing values terbaik. Pada penelitian ini, dilakukan implementasi Hybrid Fuzzy C-Means dan Majority Vote (Hybrid FCMMV) pada data Penyakit Paru Obstruktif Kronik (PPOK) tahun 2012-2017 yang diperoleh dari Rumah Sakit Cipto Mangunkusumo (RSCM) untuk memberikan performa imputasi yang lebih baik berdasarkan akurasi, presisi, recall, dan F-Score melalui klasifikasi metode ensemble Random Forest.

---

In a research study, collected and processed data are needed to solve problems and prove hypotheses. However, the obtained data often do not store the value for a variable in the expected observation. Data that are not stored contribute to the emptying of research data which has an impact on the research itself. If the phenomenon occurs, it indicates that the research has missing data or missing values. One way to overcome missing values ​​is using imputation techniques. The technique works by filling in the missing values with an estimated value that has been analyzed and decided to create a complete dataset. In the process, it is often found that the data being used for imputation have unclear or inconsistent characteristics, which can be solved by implementing Fuzzy C-Means (FCM) method. The estimation of missing values ​​using the FCM model produces predictive models with a variety of parameters, hence another approach to produce the best model with optimal parameters is needed. This underlies the need for a hybrid approach, which is acquired through combining or integrating different machine learning models to earn the best estimation result of missing values. In this study, the implementation of Hybrid Fuzzy C-Means and Majority Vote (Hybrid FCMMV) was conducted on Chronic Obstructive Pulmonary Disease (COPD) data in 2012-2017 from Cipto Mangunkusumo Hospital (RSCM) ) to provide better imputation performance based on accuracy, precision, recall, and F-Score through the classification of the Random Forest ensemble method."

"Sinusitis adalah peradangan pada dinding sinus, yaitu rongga kecil yang terhubung dengan rongga udara dalam tulang tengkorak. Sinus terletak di belakang dahi, di dalam struktur tulang pipi, di kedua sisi hidung, dan di belakang mata. Sinusitis disebabkan oleh peradangan pada rongga hidung, tumbuhnya polip, alergi, dan hal lainnya yang dapat terjadi pada orang dewasa, remaja, bahkan anak-anak. Untuk mengklasifikasi jenis sinusitis, penulis menggunakan Fuzzy C-Means Berbasis Kernel yang merupakan pengembangan dari Fuzzy C-Means. Fuzzy C-Means mengelompokkan data menggunakan jarak Euclidean. Namun, jika data yang akan dipisahkan adalah data non linear, maka konvergensinya akan kecil dan membutuhkan waktu yang lama. Untuk menyelesaikan masalah ini dapat digunakan Fuzzy C-Means Berbasis Kernel yang menggunakan fungsi kernel untuk menggantikan jarak Euclidean. Metode ini memetakan objek dari ruang data ke ruang fitur yang berdimensi lebih tinggi, sehingga dapat mengatasi kelemahan FCM. Data yang digunakan adalah data penyakit sinusitis yang diperoleh dari laboratorium radiolog RSUPN Cipto Mangunkusumo, Jakarta. Karena data yang digunakan adalah data non linear, maka metode yang lebih cocok digunakan adalah Fuzzy C-Means Berbasis Kernel. Dengan menggunakan software Matlab diperoleh akurasi 100% dengan waktu mendekati 0 detik untuk Fuzzy C-Means Berbasis Kernel.

---

Sinusitis is an inflammation of the sinus wall, a small cavity interconnected through the airways in the skull bones. It is located on the back of the forehead, inside the cheek bone structure, on both side of the nose, and behind the eyes. Sinusitis is caused by infection, growth of nasal polips, allergies, and others. This condition can effect adults, teenagers, and even children. To classify sinusitis we used Kernel Based Fuzzy C-Means, which is the development of Fuzzy C-Means (FCM). FCM algorithm groups data using Euclidean distance. However, when non linear data is separated, the convergence is innacurate and need a long running time. To overcome this problem, a Kernel Based Fuzzy C-Means that use kernel functions as a substitute for Euclidean distance. It maps objects from data space to a higher dimention feature space, so they can overcome FCM deficiencies. Data that is used is sinusitis dataset obtained from the laboratory of radiology at Cipto Mangunkusumo National General Hospital, Jakarta. Because the data used is non-linear dataset, the more suitable method is Kernel Based Fuzzy C-Means. By using the Matlab software 100% accuracy is obtained and running time is close to 0 for Kernel Based Fuzzy C-Means."

"

Kanker merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Kanker adalah penyakit ketika sel-sel abnormal tumbuh tidak terkendali yang dapat menyerang organ tubuh yang berdampingan atau menyebar ke organ lain. Untuk mendiagnosis kanker paru-paru dapat dilakukan dengan pengambilan gambar rontgen, CT scan, dan biopsi jaringan paru. Tujuan dari penelitian ini adalah untuk memprediksi apakah pasien menderita kanker paru-paru atau tidak, dengan menggunakan data gambar CT scan mereka. Oleh sebab itu, dalam penelitian ini digunakan ekstraksi fitur dari gambar CT scan sebagai data untuk mengklasifikasi kanker paru-paru. Data yang digunakan merupakan data gambar CT scan yang didapat dari SPIE-AAPM Lung CT Challenge 2015. Gambar CT scan paru-paru dengan ukuran 512x512 sebelumnya dilakukan pre-processing 2D crop dan filtering. Dengan mengekstraksi fitur dari data gambar seperti ukuran nodul, Gray Level Co-occurrence Matriks (GLCM), dan Local Binary Pattern (LBP) dapat mengubah data gambar menjadi numerik. K-Fold Cross Validation digunakan untuk memisahkan data menjadi data training dan data testing. Fuzzy C-Means (FCM) dan Fuzzy Kernel C-Means (FKCM) diterapkan untuk pengklasifikasian. Didapatkan performa FKCM lebih baik dibandingkan FCM, dengan rata-rata akurasi 75.60%, precision 83.05%, dan specificity 87.80%. Oleh karena itu, penambahan kernel pada metode Fuzzy C-Means dapat meningkatkan performa dari metode tersebut

---

Cancer is one of the diseases with the highest mortality rate in the world. Cancer is a disease when abnormal cells grow out of control that can attack the body's organs side by side or spread to other organs. To diagnose lung cancer can be done by taking x-ray images, CT scans, and lung tissue biopsy. The purpose of this study is to classify whether patients have lung cancer or not using their CT scan image data. Therefore, in this study feature extraction from CT images was used as data to classify lung cancer. The data used in the form of CT scan image obtained from SPIE-AAPM Lung CT Challenge 2015. Previously, a CT scan of the lung with a size of 512x512 was pre-processed 2D crop and filtering. By extracting features from image data such as nodule size, Gray Level Co-occurrence Matrix (GLCM), and Local Binary Pattern (LBP) can convert image data to numeric. K-Fold Cross Validation is used to separate data into training data and testing data. Fuzzy C-Means (FCM) and Fuzzy C-Means (FKCM) are applied for classification. FKCM performed better than FCM, with 75.60% average accuracy, 83.05% average precision, and 87.80% average specificity. Therefore, adding a kernel to the Fuzzy C-Means method can improve the performance of the method.

"

"Klasifikasi kanker berbasis microarray data telah menjawab tantangan pengobatan kanker dengan terapi kanker yang dapat dimaksimalkan dan toksisitas yang dapat diminimalkan. Pada tugas akhir ini, dibahas proses klasifikasi terhadap data kanker colon untuk menentukan apakah data tersebut merupakan data kanker atau normal. Tujuan dari penulisan tugas akhir ini adalah memperoleh keakuratan klasifikasi data kanker colon dengan menggunakan Tangent Fuzzy Possibilistic C-Means (TFPCM). Keakuratan klasifikasi tergantung pada parameter-parameter: nilai , derajat fuzzy, dan derajat possibilistic yang terdapat pada algoritma TFPCM, sehingga diperlukan nilai optimal dari parameter-parameter tersebut. Metode pada tugas akhir ini menggunakan teknik Robust Fuzzy Possibilistic C-Means (RFPCM) dengan fungsi Kernel yang digunakan adalah hyper tangent Kernel Bray Curtis.

---

Cancer classification based on microarray data has been able to cure cancer with cancer therapy that can be maximized and with toxicity that can be minimized. In this essay, classification process of colon cancer data will be discussed further to determine whether the data is a cancer data or normal data. The purpose of writing this essay is to obtain the accuracy of colon cancer data classification using Tangent Fuzzy Possibilistic C-Means (TFPCM). The accuracy depends on the parameters: value, degree of fuzzy, and degree of possibilistic in TFPCM algorithm, so the optimal value of those parameters are needed. The method in this essay using Robust Fuzzy Possibilistic C-Means technique (RFPCM) where the Kernel function that is being used is hyper tangent Kernel Bray Curtis. "

"Penyakit paru obstruktif kronik dapat menyebabkan seseorang mengalami keluhan pernapasan seperti sesak napas, batuk, sputum berlebih. Keluhan pernapasan dan berbagai faktor dapat mempengaruhi kualitas tidur. Penelitian ini bertujuan untuk mengetahui gambaran kualitas tidur pada pasien PPOK. Desain penelitian menggunakan cross sectional dengan purposive sampling. Sebanyak 200 sampel diambil di tiga rumah sakit daerah jakarta pada Mei-Juni 2018. Kuesioner menggunakan COPD Assesment Test dan Pittsburgh Sleep Quality Index. Hasil penelitan menunjukkan 66 pasien PPOK memiliki kualitas tidur buruk dengan masalah tertinggi yaitu durasi tidur. Kualitas tidur buruk ditemukan rata-rata pada usia 62 tahun, berjenis kelamin laki-laki, tingkat pendidikan SD/SMP, pendapatan kurang lebih Rp.2.000.000, menikah, IMT normal, memiliki >1 penyakit penyerta, terdiagnosis PPOK 12 bulan. Pasien PPOK yang mengalami kualitas tidur buruk mayoritas memiliki keluhan pernapasan sedang-berat. Tingkat keluhan pernapasan memiliki hubungan dengan kualitas tidur p = 0,016;OR:2,28. Perawat sebagai pemberi asuhan keperawatan diharapkan dapat memperbaiki atau meningkatkan kualitas tidur pasien PPOK.

---

Chronic obstructive pulmonary disease can cause someone experience respiratory complaints such as shortness breath, coughing, excessive sputum. Respiratory complaints and many factors can influence sleep quality. This study purpose to describe sleep quality in COPD. Design used cross sectional purposive sampling in May June 2018. Respondents was 200 at three hospitals in Jakarta. Questionnaire used COPD Assesment Test and the PSQI.

Results showed that 66 COPD had poor sleep quality, the highest problems was sleep duration. Poor sleep quality was found average at 62 years old, male, education level in elementary junior high school, income Rp.2.000.000, married, had normal BMI and 1 comorbidities, diagnosed COPD for 12 months. Most of COPD who experience poor sleep had moderate severe respiratory complaints. There was relationship between respiratory complaints and poor sleep quality in COPD p 0.016 OR 2,28 . Nurses as caregivers is expected to correct or improve sleep quality in COPD."

"Latar belakang dan tujuan: Sindrom metabolik merupakan penyakit komorbid yang sering ditemui pada pasien PPOK. Keadaan inflamasi sistemik diperkirakan mempengaruhi keadaan PPOK dan sindrom metabolik. Keterbatasan aktivitas, disfungsi otot rangka, dan penggunaan steroid juga merupakan penyebab penting sindrom metabolik pada PPOK. Sindrom metabolik pada PPOK dapat meningkatkan angka kematian dan kesakitan yang disebabkan oleh penyakit kardiovaskular. Penelitian ini bertujuan untuk mengetahui prevalens sindrom metabolik pada PPOK stabil. Metode : Penelitian ini merupakan penelitian potong lintang yang dilakukan di poliklinik asma ndash; PPOK Rumah sakit umum pusat Persahabatan pada bulan Mei - November 2017 untuk melihat kejadian sindrom metabolik pada pasien PPOK. Enam puluh empat pasien PPOK di ambil untuk ikut dalam penelitian ini secara consecutive sampling. Pada semua pasien dilakukan wawancara, pemeriksaan antopometri, pemeriksaan fisis dan pemeriksaan laboratorium. Hasil : Sebanyak 64 pasien ikut serta dalam penelitian ini dengan subjek terbanyak laki-laki 95,3 . Usia rerata subjek adalah 65,81 9,38. Prevalens sindrom metabolik pada pasien PPOK sebesar 15,6 dengan GOLD 1 sebesar 20 , GOLD 2 sebesar 30 , GOLD 3 sebesar 40 dan GOLD 4 sebesar 10 . Ditemukan hubungan bermakna antara status gizi dengan kejadian sindrom metabolik pada PPOK stabil. Tidak ditemukan hubungan bermakna antara jenis kelamin, usia, status merokok, hambatan aliran udara dan penggunaan kortikosteroid inhalasi dengan kejadian sindrom metabolik pada pasien PPOK stabil. Kesimpulan : Prevalens sindrom metabolik pada pasien PPOK dalam penelitian ini adalah sebesar 15,6 terutama ditemukan pada GOLD 3.

---

Background: Metabolic syndrome is a common comorbid disease in COPD patients. Systemic inflammatory conditions can affect the condition of COPD and metabolic syndrome. Activity limitations, skeletal muscle dysfunction, and steroid use are also important causes of metabolic syndrome in COPD. The metabolic syndrome in COPD can increase mortality and morbidity caused by cardiovascular disease. The aim of this study is to reveal the prevalence of metabolic syndrome in stable COPD patients. Methods: This study is a cross sectional study among stable COPD who visit asthma - PPOK clinic in Persahabatan Hospital from May to November 2017 to get the incidence rate of metabolic syndrome in stable COPD patients. Sixty-four COPD patients were taken to participate in the study on a consecutive sampling basis. All patients were interviewed, antropometric, physical and laboratory examination were done. Results: A total of 64 patients participated in this study Males = 61, Female = 3 with mean age of the subjects was 65.81 9.38. Prevalence of metabolic syndrome in COPD patients was 15.6 with GOLD 1 by 20 , GOLD 2 by 30 , GOLD 3 by 40 and GOLD 4 by 10 . There was a significant association between nutritional status and the incidence of metabolic syndrome in stable COPD. There was no significant association between sex, age, smoking status, airflow resistance and the use of inhaled corticosteroid with the incidence of metabolic syndrome in stable COPD patients. Conclusion: The prevalence of metabolic syndrome in COPD patients in this study is 15.6 especially in GOLD 3."

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."

"Latar belakang: Eksaserbasi PPOK berhubungan dengan dampak yang cukup besar pada kualitas hidup dan aktivitas sehari-hari. Mayoritas pasien mengalami setidaknya satu eksaserbasi per tahun dan eksaserbasi telah dikaitkan dengan penurunan progresif dalam VEP1 dan dengan laporan yang berbeda-bedaada ketidakpastian apakah eksaserbasi meningkatkan tingkat penurunan fungsi paru.Metode: Penelitian ini penelitian deskriptif dengan metode potong lintang yang menganalisis hasil spirometri pada pasien PPOK dan membandingkan dengan data spirometri tahun sebelumnya dan melihat perubahan VEP1. Jumlah sampel keseluruhan penelitian ini adalah 100 pasien yang sudah terdiagnosis PPOK dan rutin kontrol ke poli asma/PPOK RS persahabatan dari tahun 2011sampai 2013. Hasil: Sebanyak 100 subjek diambil untuk penilitian ini. Sebagian besar pasien adalah laki-laki , 96 % ( n = 96 ) . Usia rata-rata adalah 66,5 tahun ( SD ± 7 tahun dan 95 % CI ) BMI subjek adalah 22.88 ( SD ± 3,95 & 95% CI ). Status merokok adalah; bekasperokok ( 89 %, 95 % CI ), merokok 3 %, dan 8 % yang tidak pernah merokok. Keparahan penyakit berdasarkan GOLD adalah; Derajat ringan 7 %, Sedang 45 %, berat 41% dan sangat berat 7 %. Penurunan VEP1terlihat pada 73 % subjek ( n = 73 ) dan penurunan VEP1 rata-rata 117mL per tahun. Subjek dalam penelitian kami ditemukan eksaserbasi tingkat tahunan rata-rata 2,4 per tahun. Kami idak menemukan korelasi yang bermakna dengan jumlah eksaserbasi dengan jumlah eksesabasi( p = 0,005) dan terdapat korelasi yang bermakna dengan jumlah eksaserbasi dan tingkat keparahan penyakit (p = 0,005 ). Kami tidak menemukan korelasi penurunan VEP1 dengan BMI (p = 0,602 ), Indeks Brinkman (p = 0,462) atau komorbiditi. Kesimpulan: Penilitian ini terdapat hubungan yang bermakna dengan penurunan VEP1 dan tingkat keparahan penyakit dengan frekuensi eksaserbasi. Kami tidak menemukan hubungan yang bermakna dengan jumlah eksesabasi dengan BMI, Brinkman Index atau komorbiditi.

---

Introduction: Exacerbations of COPD are associated with considerable impact on quality of life and daily activities. The rate at which exacerbations varies greatly between patients. Majority of patients experience at least one exacerbation per year and exacerbations have been linked to a progressive decline in FEV1and with varying reports there is uncertainty as to whether exacerbations increase the rate of decline in lung function.

Method: We conducted a descriptive, cross-sectional study on COPD patients who were on regular follow up at our hospital since 2011. Spirometry at enrollment was compared with previous year’s spirometry and event-based exacerbations were inquired from the patient and from inpatient and outpatient hospital medical records.

Result: A total of 100 patients were included in the study. Majority of patients were males, 96% (n= 96). The mean age was 66.5 years (SD ±7 years and 95% CI) The BMI of the subjects was 22.88 (SD± 3.95 & at 95% CI). Smoking status of the subjects were; past smokers (89%, 95% CI), current smokers, 3%, and 8% who never smoked. Disease severity per GOLD were; Mild disease 7%, Moderate 45%, Severe 41% and very Severe 7%. Decline in FEV1 was observed in 73% subjects (n=73) and a mean decline of 117mL/year. Subjects in our study reported 288 exacerbations during the study with a mean annual exacerbations rate of 2.4 per year. FEV1 decline hada significant correlation with number of exacerbations (p=.0005) and also there was significant relationship with disease severity (p=0.005). We did not find a correlation of decline in FEV1 with BMI (p=.602), Index Brinkman (p=.462) or comorbidities.

Conclusion: There was a significant correlation with decline in FEV1 and disease severity with the total number of exacerbations. We also found a significant correlation with disease severity as per GOLD stage,however, we did not find a significant correlation between BMI, Brinkman Index or the comorbidities of the subjects with number of exacerbations."

"Klasifikasi data kanker dilakukan untuk menemukan terapi yang tepat yaitu memaksimalkan efektivitas dan meminimalkan toksisitas. Pada umumnya, data kanker terdiri dari banyak fitur. Namun, tidak semua fitur tersebut informatif. Oleh karena itu, fitur-fitur tersebut akan diseleksi menggunakan metode Fisher's Ratio untuk memilih fitur-fitur yang paling informatif. Fitur-fitur terbaik akan dibentuk data baru. Data, sebelum dan setelah dilakukan pemilihan fitur, diklasifikasi menggunakan metode Fuzzy C-Means. Akurasi dari proses klasifikasinya akan dibandingkan. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh rata-rata akurasi sebesar 82.92%. Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 150 fitur dengan rata-rata akurasi sebesar 89.68%.

---

Classification of cancer data is done to find the right therapy that maximize efficacy and minimize toxicity. In general, cancer data consists of many features. However, not all of these features are informative. Therefore, these features will be selected using Fisher's Ratio to choose features that are most informative. The best features to be formed new data. Data, before and after feature selection, are classified using Fuzzy C-Means. The accuracy of the classification process will be compared. As a result, without doing feature selection, the accuracy is 82.92%. After doing feature selection, the best accuracy is obtained by using 150 features with the accuracy is 89.68%."