INTERPRETASI DINI INFARK MIOKARD (SERANGAN JANTUNG) MELALUI SINYAL ELEKTROKARDIOGRAM BERBASIS RECURRENT NEURAL NETWORK

DARMAWAHYUNI, ANNISA and Nurmaini, Siti and Adam, Sukemi (2019) INTERPRETASI DINI INFARK MIOKARD (SERANGAN JANTUNG) MELALUI SINYAL ELEKTROKARDIOGRAM BERBASIS RECURRENT NEURAL NETWORK. Master thesis, Sriwijaya University.

	Text RAMA_55101_09042681822002.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text RAMAI_55101_09042681822002_ITHENTICATE.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (18MB) | Request a copy
Preview	Text RAMA_55101_09042681822002 - 0002085908_0003126664_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (419kB) | Preview
	Text RAMAI_55101_09042681822002 - 0002085908_0003126664_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (636kB) | Request a copy
	Text RAMA_55101_09042681822002 - 0002085908_0003126664_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (95kB) | Request a copy
	Text RAMA_55101_09042681822002 - 0002085908_0003126664_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_55101_09042681822002 - 0002085908_0003126664_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (183kB) | Request a copy
	Text RAMA_55101_09042681822002 - 0002085908_0003126664_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (547kB) | Request a copy
	Text RAMA_55101_09042681822002 - 0002085908_0003126664_07_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (50kB) | Request a copy

Abstract

Penyakit jantung adalah penyebab utama kematian di negara-negara berkembang dan diperkirakan menjadi pembunuh nomor satu pada tahun 2020. Diantara penyakit jantung, infark miokard merupakan bentuk yang paling berbahaya diantara penyakit jantung koroner dengan angka kematian yang paling tinggi. Infark miokard dapat didiagnosis melalui pemeriksaan elektrokardiogram (EKG) yang merupakan grafik rekaman pencatatan aktivitas listrik jantung melalui elektroda yang ditempatkan di permukaan tubuh. Penelitian ini bertujuan untuk mengklasifikasi kondisi jantung normal dengan infark miokard, kardiomiopati, disritmia, dan blokade cabang berkas melalui sinyal EKG. Basis data yang digunakan dalam penelitian ini adalah Physionet: The Physikalisch-Technische Bundesanstalt (PTB), National Metrology Institute of Germany yang bisa diakses secara publik. Metode konvensional machine learning (pembelajaran mesin) diusulkan oleh penelitian-penelitian sebelumnya. Namun keterbatasan metode machine learning adalah model harus terus diberikan data dan melibatkan campur tangan manusia (hand-crafted) untuk menghasilkan prediksi yang akurat. Metode machine learning masih direkayasa dengan arsitektur pembelajaran fitur yang dangkal (shallow feature learning). Untuk penelitian ini, metode klasifikasi dengan teknik deep learning (pembelajaran mendalam), Recurrent Neural Network (RNN) berbasis Long Short-Term Memory (LSTM) diusulkan. Penelitian ini melakukan studi pembandingan dengan metode RNN, LSTM dan Bidirectional LSTM. Dari fine-tuning hyperparameter ketiga model tersebut, LSTM menunjukkan hasil kinerja klasifikasi dengan akurasi, sensitivitas, spesifisitas, presisi, dan F1 score, masing-masing 98,31%, 96,34%, 98,52%, 92,22%, dan 94,22%. Struktur LSTM dan hyper-parameter yang disarankan dari hasil pelatihan dan pengujian untuk klasifikasi biner dan multikelas adalah dengan menggunakan fungsi aktivasi sel tanh di input gates, fungsi aktivasi sigmoid di output gates, fungsi aktivasi softmax di lapisan output, fungsi loss categorical cross entropy, learning rate 0,001, dengan jumlah 100 epochs.

Item Type:	Thesis (Master)
Uncontrolled Keywords:	Deep Learning, Infark Miokard, Klasifikasi, Long Short-Term Memory
Subjects:	T Technology > T Technology (General) > T58.6-58.62 Management information systems > T58.6 General works Industrial engineering Information technology. Information systems (General) Management information systems -- Continued
Divisions:	09-Faculty of Computer Science > 55101-Informatics (S2)
Depositing User:	Users 1677 not found.
Date Deposited:	04 Sep 2019 07:20
Last Modified:	04 Sep 2019 07:20
URI:	http://repository.unsri.ac.id/id/eprint/6188

Actions (login required)

View Item