Skripsi

MODEL DEEP LEARNING DALAM KLASIFIKASI MULTICLASS KELAINAN DETAK JANTUNG

---

Penilaian

---

Klasifikasi kelainan detak jantung aritmia merupakan langkah dalam melakukan langkah identifikasi secara otomatis dengan bantuan kecerdasan buatan. Klasifikasi dalam kelainan detak jantung aritmia didasarkan kepada dua skema, yaitu pertama skema klasifikasi berdasarkan AAMI yang terdiri dari 5 kelompok kelas, dan kedua adalalah skema klasifikasi non-AAMI yang melakukan klasifikasi berdasarkan kelas ( klasifikasi 2 sampai 17 kelas). Peneliti telah mengembangkan metode klasifikasi dua skema untuk mengatasi ketidakseimbangan data pada dataset yang tersedia MIT-BIH aritmia / MITDB. Beberapa teknik telah dikembangkan dalam mengatasi permasalahan , dan penyetelan parameter model deep learning untuk meningkatkan tingkat akurasi. Dengan kemampuan deep learning yang dapat mempresentasikan data menjadi sebuah model yang lebih baik, maka penulis mengajukan model deep learning 1 dimensi dan melakukan modifikasi pada dataset MITDB dengan menyisipkan beberapa rekaman dari dataset SVDB untuk melakukan klasifikasi kelainan jantung aritmia dengan 2 skema, yaitu skema berorientasi kelas sebanyak 17 kelas dan skema berorientasi subjek berdasarkan standar AAMI sebanyak 5 kelas. Model yang dikembangkan dilakukan juga tunning hyperparameter untuk menghasilkan kinerja klasifikasi yang lebih baik. Penelitian ini berkontribusi dalam klasifikasi kelainan jantung aritmia dalam preprocessing pada modifikasi dataset MITDB dengan menambahkan beberapa record dari dataset SVDB dengan frekuensi yang berbeda. Menguji dataset hasil modifikasi dengan model deep learning lain (LSTM) dan algoritma machine learning (KNN, SVM, Logistic Regression dan Decision Tree). Mengembangkan model arsitektur 1D-CNN dalam klasifikasi kelainan jantung aritmia dengan dua skema (skema berorientasi kelas dan berorientasi subjek) dengan hasil lebih baik. Mengoptimalkan model dengan penyetelan parameter (optimizer, learning rate dan batch size) untuk meningkatkan performa klasifikasi. Hasil penelitian menunjukan bahwa model 1D-CNN dengan modifikasi dataset dapat melakukan klasifikasi multiclass dua skema. Skema klasifikasi berorentasi kelas 16 kelas dengan akurasi 99.10%. Skema klasifikasi berorietasi kelas 17 kelas dengan akurasi 98.58. Skema klasifikasi berorientasi subjek berdasarkan standar AAMI dengan akurasi 99.38%. Dan model ini telah diuji dengan unseen data dengan akurasi 99.13%

---

Availability

Inventory Code	Barcode	Call Number	Location	Status
2407002473	T142450	T1424502024	Central Library (References)	Available but not for loan - Not for Loan

Detail Information

Series Title

-

Call Number

T1424502024

Publisher

Indralaya : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya., 2024

Collation

xviii, 143 hlm.; ilus.; 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

620.07

Content Type

Text

Media Type

unmediated

Carrier Type

-

Edition

-

Subject(s)

Klasifikasi
Prodi Doktor Ilmu Teknik

Specific Detail Info

-

Statement of Responsibility

KA

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment