Skripsi

KLASIFIKASI SINYAL ELEKTROKARDIOGRAM PADA PENYAKIT JANTUNG BERDASARKAN ANALISIS FITUR HEART RATE VARIABILITY.

---

Penilaian

---

Penelitian ini bertujuan untuk mengevaluasi keoptimalan metode 1D CNN-Wavenet menggunakan dataset yang diperluas menjadi sebelas fitur HRV, melibatkan empat subjek penyakit jantung dengan durasi EKG 30 menit. Pada penelitian awal, penggunaan HRV untuk memprediksi SCD mencapai akurasi maksimum 99.42%. Penelitian ini kemudian melanjutkan penelitian pada tahapan awal dengan memperluas dataset, menambahkan fitur time domain dan fitur non-linear. Selain itu, penelitian ini menguji keoptimalan model dengan menggunakan lima metode machine learning (ML) sebagai perbandingan untuk mengukur keoptimalan model Deep Learning (DL) yang telah dikembangkan. Pengujian dilakukan menggunakan tiga jenis data: data uji, data latih, dan data yang belum pernah dilihat sebelumnya (unseen). Hasil penelitian menunjukkan bahwa penggunaan sebelas fitur HRV dengan metode SVM memberikan hasil yang lebih unggul dibandingkan metode lainnya. Pada data latih dan data uji, metode SVM dan DT mencapai nilai akurasi 100%, sementara CNN mencapai 99.13%. Ketiga model ini kemudian diuji kembali menggunakan data unseen, dan hasilnya menunjukkan bahwa SVM tetap memberikan nilai akurasi, sensitivitas, spesifisitas, dan presisi sebesar 100%. Sedangkan metode DT mencapai akurasi sebesar 96.67%, sensitivitas 91.67%, spesifisitas 100%, dan presisi 93.33%. Metode CNN mencapai akurasi 98.73%, sensitivitas 97.22%, spesifisitas 98.47%, dan presisi 96.44% Penggunaan metode SVM dengan sebelas fitur HRV menunjukkan kinerja yang sangat baik dalam memprediksi penyakit jantung, khususnya pada data yang belum pernah dilihat sebelumnya, dengan akurasi yang mencapai 100%. Metode DT juga memiliki kinerja yang baik, sedangkan CNN memiliki performa yang sedikit lebih rendah namun masih sangat baik untuk klasifikasi penyakit jantung. Metodologi ini memerlukan pengujian lebih lanjut pada fitur HRV, termasuk fitur frekuensi waktu, untuk mengembangkan teknik diagnostik yang lebih konkret.

---

Availability

Inventory Code	Barcode	Call Number	Location	Status
2407001643	T141129	T1411292023	Central Library (Referens)	Available

Detail Information

Series Title

-

Call Number

T1411292023

Publisher

Palembang : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya., 2023

Collation

xxi, 158 hlm.; ilus.; 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

621.340 7

Content Type

Text

Media Type

unmediated

Carrier Type

-

Edition

-

Subject(s)

Ilmu Teknik
Teknik Magnetik, Elektromagnet

Specific Detail Info

-

Statement of Responsibility

MURZ

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment