Studi Explainable Deep Learning dalam Klasifikasi Aritmia (Kelainan Irama Jantung) dengan Hybrid Deep Learning - Dalam bentuk buku karya ilmiah
ARDA ARDIYANSYAH

Informasi Umum

Kode

24.04.5675

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Artificial Intelegence

Dilihat

164 kali

Informasi Lainnya

Abstraksi

Klasifikasi aritmia yang akurat sangat penting untuk diagnosis dan pengo-<br /> batan jantung yang efektif. Baru-baru ini, banyak studi yang berfokus pada<br /> diagnosis aritmia; namun, akurasi mereka masih belum optimal, dan mereka<br /> kurang dalam interpretasi model yang dapat membantu para ahli. Studi ini<br /> mempersembahkan beberapa model akurat untuk klasifikasi aritmia dengan<br /> memanfaatkan Convolutional Neural Network 1D (CNN1D) yang digabungk-<br /> an dengan mekanisme Attention dan Gated Recurrent Units (GRU), Convo-<br /> lutional Neural Network 1D (CNN1D) yang digabungkan dengan Gated Re-<br /> current Units (GRU), serta Convolutional Neural Network 1D (CNN1D) yang<br /> digabungkan dengan Long-Short Term Memory (LSTM). Untuk mengurangi<br /> noise pada sinyal ECG, kami menggunakan metode denoising yang disebut<br /> Butterworth filter, yang memastikan ekstraksi fitur yang lebih akurat dari da-<br /> ta elektrokardiogram (ECG). Model ini dirancang untuk mengklasifikasikan<br /> sepuluh jenis aritmia seperti: Paced Beat, Atrial Premature Contraction, Fu-<br /> sion of Ventricular and Normal Beat, Left Bundle Branch Block Beat, Normal<br /> Beat, Right Bundle Branch Block Beat, Premature Ventricular Contraction,<br /> Nodal (Junctional) Escape Beat, Non-conducted P-wave (Blocked APB), dan<br /> Isolated QRS-like Artifact. Selain itu, untuk memberikan transparansi dan<br /> interpretabilitas pada prediksi model, kami menerapkan teknik Explainable<br /> Artificial Intelligence (XAI) menggunakan Layer-wise Relevance Propagation<br /> (LRP). Hasil eksperimen menunjukkan bahwa model yang kami usulkan men-<br /> capai akurasi tinggi dalam klasifikasi aritmia, dengan akurasi keseluruhan se-<br /> besar 96,8%, presisi sebesar 96,8%, sensitivitas sebesar 96,8%, dan skor F1<br /> sebesar 96,8%. Integrasi LRP tidak hanya membantu dalam memvalidasi ki-<br /> nerja model tetapi juga memberikan wawasan yang dapat diambil tindakan<br /> bagi para klinisi, yang berpotensi meningkatkan hasil pasien.

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook