PREPROCESSING STENOSIS ARTERI KORONER DAN PENGEMBANGAN MODEL CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT JANTUNG KORONER

SUPANI, AHYAR and Nurmaini, Siti and Partan, Radiyati Umi and Suprapto, Bhakti Yudho (2025) PREPROCESSING STENOSIS ARTERI KORONER DAN PENGEMBANGAN MODEL CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI PENYAKIT JANTUNG KORONER. Doctoral thesis, Sriwijaya University.

	Image RAMA_21001_03013622025002_cover.pdf - Cover Image Available under License Creative Commons Public Domain Dedication. Download (86kB)
	Text RAMA_21001_03013622025002.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy
	Text RAMA_21001_03013622025002_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (17MB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (692kB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (434kB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (924kB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (175kB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (241kB) | Request a copy
	Text RAMA_21001_03013622025002_0002085908_0017077206_0011027503_07_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (206kB) | Request a copy

Abstract

Penerapan kecerdasan buatan di bidang kesehatan menunjukkan perkembangan pesat, terutama dalam mendukung diagnosis penyakit jantung koroner (CAD). Dalam praktik klinis, penilaian tingkat keparahan penyempitan (stenosis) arteri koroner melalui X-ray Coronary Angiography (XCA) dari prosedur kateterisasi umumnya menggunakan Physician Visual Assessment (PVA). Metode ini menentukan rasio stenosis signifikan (abnormal) atau tidak signifikan (normal), tetapi dinilai kurang akurat, memakan waktu, serta menuntut keahlian tinggi karena ukuran arteri yang sangat kecil, sehingga berpotensi menimbulkan kesalahan. Kajian otomatis berbasis deep learning telah dikembangkan, namun performanya belum memenuhi standar klinis. Untuk mengatasi keterbatasan tersebut, penelitian disertasi ini mengusulkan peningkatan performa segmentasi otomatis melalui preprocessing area stenosis dengan metode cropping-scaling, yang diuji pada empat arsitektur segmentasi, yaitu SegNet, ResNet34, UNet, dan Residual UNet. Selain itu, dilakukan pengembangan model klasifikasi dengan memodifikasi lapisan rekayasa fitur CNN (CNN-Plus). Dataset berasal dari dua rumah sakit di Palembang, Indonesia. Data segmentasi mencakup 1.400 citra stenosis (700 abnormal, 700 normal), sedangkan data klasifikasi terdiri atas 472 kasus stenosis (247 abnormal, 225 normal). Evaluasi dilakukan menggunakan metrik akurasi, intersection over union (IoU), presisi, recall, dan F1-score. Eksperimen segmentasi menunjukkan Residual UNet sebagai model terbaik dengan peningkatan akurasi 0,22%, IoU 38,75%, presisi 87,82%, recall 85,89%, dan F1-score 86,78%. Sementara itu, pada klasifikasi, CNN-Plus memberikan peningkatan akurasi 2,85%, IoU 5,24%, recall 6,76%, dan F1-score 2,95%, meskipun terjadi sedikit penurunan presisi 0,86%. Temuan ini menegaskan bahwa pendekatan berbasis CNN berpotensi meningkatkan akurasi diagnosis dan mendukung evaluasi stenosis koroner secara otomatis, sehingga berkontribusi positif terhadap perawatan pasien dengan penyakit jantung koroner.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Kata kunci: Convolutional Neural Network, Penyakit Jantung Koroner, x-ray coronary angiography, stenosis arteri koroner.
Subjects:	Q Science > Q Science (General) > Q334-342 Computer science. Artificial intelligence. Algorithms. Robotics. Automation.
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Ahyar Supani
Date Deposited:	03 Oct 2025 08:10
Last Modified:	03 Oct 2025 08:10
URI:	http://repository.unsri.ac.id/id/eprint/184975

Actions (login required)

View Item