PENGEMBANGAN MODEL PENGKLASIFIKASI 15 LEADS SINYAL ELEKTROKARDIOGRAM UNTUK MEMPREDIKSI KONDISI MYOCARDIAL INFARCTION MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

MIRZA, A HAIDAR and Nurmaini, Siti and Partan, Radiyati Umi (2024) PENGEMBANGAN MODEL PENGKLASIFIKASI 15 LEADS SINYAL ELEKTROKARDIOGRAM UNTUK MEMPREDIKSI KONDISI MYOCARDIAL INFARCTION MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. Doctoral thesis, Sriwijaya University.

[thumbnail of RAMA_21001_03043681823005.pdf] Text
RAMA_21001_03043681823005.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (2MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_01.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_01.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (763kB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_02.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_02.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_03.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_03.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_04.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_04.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_05.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_05.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_06_Ref.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_06_Ref.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_TURNITIN.pdf] Text
RAMA_21001_03043681823005_TURNITIN.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (10MB) | Request a copy
[thumbnail of RAMA_21001_03043681823005_0002085908_0017077206_07_Lamp.pdf] Text
RAMA_21001_03043681823005_0002085908_0017077206_07_Lamp.pdf - Accepted Version
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (1MB) | Request a copy

Abstract

Gangguan aliran darah akibat oklusi arteri koroner akibat trombus dapat menyebabkan kerusakan pada otot jantung yang sering disebut dengan Myocardial Infarction (MI). Untuk menghindari komplikasi penyakit MI seperti gagal jantung atau aritmia yang dapat menyebabkan kematian, perlu dilakukan diagnosis dan deteksi dini. Sinyal elektrokardiogram (EKG) adalah media diagnostik yang dapat digunakan untuk mendeteksi MI akut. Diagnostik dengan bantuan data science sangat berguna dalam mendeteksi MI pada sinyal EKG. Tujuan dari penelitian ini adalah untuk mengusulkan kerangka klasifikasi otomatis untuk Myocardial Infarction (MI) dengan sinyal EKG 15 lead yang terdiri dari 12 lead standar dan 3 lead Frank serta mengembangkan arsitektur 1D-CNN sederhana untuk mengklasifikasikan 10 kelas MI dan kelas Normal dengan lebih baik. Penelitian ini berkontribusi terhadap peningkatan kinerja klasifikasi untuk 10 kelas MI dan kelas normal. Dataset PTB yang dilatih dengan arsitektur 1D-CNN yang diusulkan mampu menghasilkan akurasi, sensitivitas, spesifisitas, presisi dan skor F1 rata-rata sebesar 99,98%, 99,91%, 99,99%, 99,91, dan 99,91%. Dari hasil evaluasi dapat disimpulkan bahwa arsitektur 1D-CNN yang diusulkan mampu memberikan kinerja yang sangat baik dalam mendeteksi MI

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: Myocardial Infarction; CNN; EKG; 15 Lead
Subjects: T Technology > T Technology (General) > T1-995 Technology (General)
Divisions: 03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User: A. Haidar Mirza
Date Deposited: 03 Apr 2024 04:44
Last Modified: 24 Jun 2024 06:58
URI: http://repository.unsri.ac.id/id/eprint/142496

Actions (login required)

View Item View Item