KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN)

SEPTIANI, ANNISA and Nurmaini, Siti (2020) KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN). Undergraduate thesis, Sriwijaya University.

Preview	Text RAMA_56201_09011181621026_0002085908_02.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (754kB) | Preview
Preview	Text RAMA_56201_09011181621026_0002085908_03.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (463kB) | Preview
Preview	Text RAMA_56201_09011181621026_0002085908_04.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (3MB) | Preview
Preview	Text RAMA_56201_09011181621026_0002085908_05.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (192kB) | Preview
	Text RAMA_56201_09011181621026_0002085908_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (316kB) | Request a copy
Preview	Text RAMA_56201_09011181621026_0002085908_07_lamp.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (286kB) | Preview
Preview	Text RAMA_56201_09011181621026.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (4MB) | Preview
Preview	Text RAMA_56201_09011181621026_0002085908_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (548kB) | Preview
	Text RAMA_56201_09011181621026_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (10MB) | Request a copy

Abstract

Penyakit jantung ialah terjadinya penyumbatan pada sistem pembuluh darah yang mengakibatkan ketidakseimbangan antara suplai dan kebutuhan darah. Sinyal jantung dapat dideteksi dengan melakukan rekaman elektrokardiogram menggunakan alat Electrocardiography (ECG). Penelitian ini menggunakan metode pendekatan deep-learning yaitu Recurrent Neural Network (RNN). Menggunakan dua kasus yaitu mengklasifikasikan data tidak seimbang (imbalance) dan data seimbang (balance). Langkah pertama, pemberian label pada dataset yaitu Dysrhythmia (2), Myocardial hypertrophy (1), dan Healthy controls (0) dengan menggunakan dataset The PTB Diagnostic ECG Database - PhysioNet. Selanjutnya dilakukan segmentasi yang dilakukan berdasarkan window size. Setelah itu untuk proses resampling hanya dilakukan untuk kasus data seimbang (Balance) menggunakan metode Random Oversampling (ROS). Langkah terakhir yaitu mengklasifikasikan data menggunakan Recurrent Neural Network (RNN) dengan model klasifikasinya yaitu SimpleRNN dan LSTM. Dalam hal ini didapatkan hasil akurasi terbaik yaitu data tidak seimbang (Imbalance) akurasi training 99.81% dan akurasi testing 97.14%. Sedangkan untuk data seimbang (Balance) akurasi training 99.98% dan akurasi testing 99.96%. Nilai validasi dari pengujian terbaik pada data tidak seimbang (imbalance) rata-ratanya yaitu F1-Score 93.52%, presisi 93.07%, sensitivitas 93.99%, spesifisitas 97.21%, dan akurasi 98.09%. Nilai validasi dari pengujian terbaik pada data seimbang (balance) rata-ratanya yaitu F1-Score 99.96, presisi 99.96%, sensitivitas 99.96% dan spesifisitas 99.98%, dan akurasi 99.97%. Kurva ROC dan kurva Presisi-Recall pada data tidak seimbang (Imbalance) dan data seimbang (Balance) sudah mendapatkan kurva yang baik karna pada kurva ROC sudah mendekati pojok kiri atas dan Kurva Presisi-Recall mendekati pojok kanan atas yang berarti masing-masing model classifier yang digunakan merupakan model yang tepat.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Penyakit Jantung, Recurrent Neural Network (RNN), Window Size, Random Oversampling (ROS), Imbalance, SimpleRNN, LSTM
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA168 Systems engineering
Divisions:	09-Faculty of Computer Science > 56201-Computer Systems (S1)
Depositing User:	Users 6121 not found.
Date Deposited:	12 Jun 2020 04:44
Last Modified:	12 Jun 2020 04:45
URI:	http://repository.unsri.ac.id/id/eprint/30150

Actions (login required)

View Item