MODEL DEEP LEARNING DALAM KLASIFIKASI MULTICLASS KELAINAN DETAK JANTUNG

AKBAR, MUHAMAD and Nurmaini, Siti and Partan, Radiyati Umi (2024) MODEL DEEP LEARNING DALAM KLASIFIKASI MULTICLASS KELAINAN DETAK JANTUNG. Doctoral thesis, Sriwijaya University.

	Text RAMA_21001_03043681823002.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (10MB) | Request a copy
	Text RAMA_21001_03043681823002_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (11MB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text RAMA_21001_03043681823002_0002085908_0017077206_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (178kB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_06_Ref.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (197kB) | Request a copy
	Text RAMA_21001_03043681823002_0002085908_0017077206_07_lamp.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy

Abstract

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%

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Aritmia, Deep Learning, Klasifikasi, ECG
Subjects:	T Technology > T Technology (General) > T1-995 Technology (General)
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Muhamad Akbar
Date Deposited:	03 Apr 2024 03:16
Last Modified:	03 Apr 2024 03:16
URI:	http://repository.unsri.ac.id/id/eprint/142450

Actions (login required)

View Item