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

PANJAITAN, FEBRIYANTI and Nurmaini, Siti and Partan, Radiyati Umi (2024) KLASIFIKASI SINYAL ELEKTROKARDIOGRAM PADA PENYAKIT JANTUNG BERDASARKAN ANALISIS FITUR HEART RATE VARIABILITY. Doctoral thesis, Sriwijaya University.

	Text RAMA_21001_03043681823003.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
	Text RAMA_21001_03043681823003_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (35MB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (903kB)
	Text RAMA_21001_03043681823003_0002085908_0017077206_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (613kB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (39kB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (191kB) | Request a copy
	Text RAMA_21001_03043681823003_0002085908_0017077206_07_lamp.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (8MB) | Request a copy

Abstract

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.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Convolutional Neural Network, Machine Learning, Heart Rate Variability, Wavenet, Cardiac Disease, Classification
Subjects:	Q Science > Q Science (General) > Q1-390 Science (General) > Q223.M517 Science -- Information services. Information storage and retrieval systems --Science.
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Febriyanti Panjaitan
Date Deposited:	27 Feb 2024 09:04
Last Modified:	28 Feb 2024 03:09
URI:	http://repository.unsri.ac.id/id/eprint/141129

Actions (login required)

View Item