KLASIFIKASI PENYAKIT ARITMIA  MENGGUNAKAN DEEP LEARNING DENGAN METODE  CONVOLUTION NEURAL NETWORK (CNN)

IVENA NUR IKA QOTHUN

Informasi Umum

Kode

23.04.1737

Klasifikasi

006.32 - Neural networks, perceptrons, connectionism, neural computers

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Neural Networks, Deep Learning,

Dilihat

387 kali

Informasi Lainnya

Abstraksi

<a name="Hlk107512662">Cardiovascular Diseases </a>(CVD) merupakan penyebab utama kematian nomor satu secara global. <a name="Hlk107512590">Aritmia merupakan salah satu penyakit CVD yang disebabkan </a>adanya kelainan pada irama detak jantung. Aritmia tergolong penyakit yang cukup serius dan dapat menyebabkan kematian. Diagnosa keadaan jantung seseorang yang terkena aritmia dapat dilakukan dengan identifikasi detak jantung menggunakan Elektrokardiogram (EKG). Proses diagnosa <a name="Hlk107512886">keadaan jantung dapat dilakukan secara manual, dengan cara mengamati gambar grafik aktivitas jantung seseorang.</a> <a name="Hlk107512955">Seiring berkembangnya teknologi terdapat beberapa penelitian yang dapat </a><a name="Hlk107512932">mengidentifikasi penyakit jantung secara otomatis menggunakan Deep Learning</a>. Dalam Penelitian <a name="Hlk107513614">Tugas Akhir ini, sistem dirancang untuk mengklasifikasi lima kelas aritmia yaitu </a><a name="Hlk107549244">Non ectopic beats (N), Supraventricular ectopic beats (S), Ventricular ectopic beats (V), Fusion beats (F) dan Unknown beats (Q) </a>menggunakan metode CNN-1D. Dataset diperoleh dari PhysioBank MIT-BIH Arrhythmia database. Dataset yang digunakan merupakan dataset tidak seimbang (imbalance) <a name="Hlk107514870">dengan jumlah 87554 dataset train dan 21892 dataset test</a>, <a name="Hlk107515634">sehingga perlu dilakukan proses augmentasi yaitu dengan cara resampling data</a>. Proses klasifikasi dilakukan menggunakan beberapa skenario pengujian yaitu nilai Epoch, learning rate, Batch size dan optimizer yang berbeda. <a name="Hlk107515668">Dari hasil akurasi terbaik yaitu menggunakan dataset balance dengan optimizer Adam, learning rate 0,001, iterasi sebanyak 100 epoch dan batch size 64 didapatkan hasil 92%, loss 0.03, presisi 93%, recall 92% dan F1-Score 92%. Sedangkan untuk dataset imbalance hasil akurasi 98%, loss 0.04, presisi 87,40%, recall 91,40% dan F1-Score 89,40%.</a>

Kata Kunci: Adaptive Moment Estimation (ADAM), Aritmia, Convolution Neural Network 1D (CNN-1D), Deep Learning, Elektrokardiogram (EKG), Jantung, Imbalance