KLASIFIKASI GAGAL JANTUNG KONGESTIF MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN)

YUWANDINI, MEIRYKA and Nurmaini, Siti (2020) KLASIFIKASI GAGAL JANTUNG KONGESTIF MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN). Undergraduate thesis, Sriwijaya University.

	Text RAMA_56201_09011281621052.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text RAMA_56201_09011281621052_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (12MB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (381kB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (287kB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (354kB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6kB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (127kB) | Request a copy
	Text RAMA_56201_09011281621052_0002085908_07_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
Preview	Text RAMA_56201_09011281621052_0002085908_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (434kB) | Preview

Abstract

Sinyal elektrokardiogram merupakan sinyal listrik yang merupakan representasi dari perubahan pola kelistrikan pada aktivitas jantung. Sinyal yang dihasilkan pada elektrokardiograf dapat dibedakan menjadi dua jenis yaitu normal dan abnormal. Klasifikasi sinyal EKG sangatlah dibutuhkan pada saat ini serta dibutuhkan data yang memiliki akurasi yang cukup tinggi sebagai penunjang penyelasaian masalah. Pentingnya klasifikasi EKG sangat tinggi sekarang karena banyak aplikasi medis saat ini di mana masalah ini dapat digunakan. Deep learning merupakan metode yang digunakan dalam masalah klasifikasi dengan jumlah data yang banyak dengan tingkat akurasi yang tinggi. Algoritma deep learning yang digunakan pada penelitian ini adalah Recurrent Neural Network (RNN) dengan arsitektur Long Short Term Memory (LSTM). RNN memiliki kelebihan yang dapat mengekstraksi fitur secara otomatis. Dalam penelitian ini ritme sinyal EKG akan diklasifikasi menjadi dua kelas, yaitu normal dan gagal jantung. Klasifikasi EKG akan di uji pada dua puluh empat model percobaan dengan layer yang terdiri dari 1 layer, 2 layer, dan 3 layer serta jumlah nodes pada hidden layer ke-1 yaitu 100 nodes, hidden layer ke-2 50 nodes, dan hidden layer ke-3 25 nodes dengan segmentasi ritme yaitu satu detik, dua detik, tiga detik, dan empat detik. Dari dua puluh empat percobaan yang dilakukan, percobaan pertama dengan 1 hidden layer dan segmentasi ritme satu detik menghasilkan nilai validasi accuracy, sensitivity, specificity, precision, F0,5, F1-score, F2-score, dan Error, yaitu 99,86%;99,85%; 99,85%; 99,87%; 99,86%; 0,13%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Elektrokardiogram (EKG), Klasifikasi, Gagal Jantung, Deep Learning, Recurrent Neural Network
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA168 Systems engineering T Technology > TJ Mechanical engineering and machinery > TJ1125-1345 Machine shops and machine shop practice > TJ1180 Machining, Ceramic materials--Machining-Strength of materials-Machine tools-Design and construction > TJ1180.I34 Machining-Machine tools-Numerical control-Computer integrated manufacturing systems-Artificial intelligence
Divisions:	09-Faculty of Computer Science > 56201-Computer Systems (S1)
Depositing User:	Users 6122 not found.
Date Deposited:	12 Jun 2020 04:19
Last Modified:	12 Jun 2020 04:19
URI:	http://repository.unsri.ac.id/id/eprint/30154

Actions (login required)

View Item