IMPLEMENTASI METODE DEEP LEARNING DAN XGBOOST UNTUK KLASIFIKASI PENYAKIT JANTUNG ARITMIA

DHANAR BINTANG PRATAMA

Informasi Dasar

21.04.2678
621.382
Karya Ilmiah - Skripsi (S1) - Reference

Penyakit serangan jantung adalah salah satu ancaman kesehatan tertinggi di Indonesia bahkan di dunia. Salah satu penyebab penyakit jantung yang dapat dideteksi dengan mudah adalah jantung aritmia. Kondisi ini dapat dicegah untuk menjadi lebih serius dengan cara melakukan pendataan dan pengecekan secara rutin melalui pembacaan sinyal Electrocardiogram (ECG). Akan tetapi pembacaan sinyal ECG memerlukan tenaga ahli khusus untuk mendapatkan diagnosa yang tepat. Hal ini mengakibatkan pemeriksaan secara rutin memerlukan komitmen waktu serta biaya yang tinggi.

Maka dari itu pada penelitian tugas akhir ini penulis mengusulkan pembuatan model klasifikasi aritmia dengan bantuan sinyal ECG. Dimana digunakan metode Deep Learning (DL) khususnya Convolutional Neural Network (CNN) yang digunakan sebagai pengekstraksi fitur. Dan metode Extreme Gradient Boosting (XGBoost) sebagai pengklasifikasi. Dalam pembuatannya model ini akan digunakan dataset berupa single lead ECG signal yang berasal dari MIT-BIH Arrhythmia Database.

Dari hasil penelitian, didapatkan bahwa model terbaik adalah model CNNXGBoost dengan struktur 2 convolutional block menggunakan fungsi optimasi Adam dengan learning rate 0,001. Di mana model ini dapat meraih tingkat akurasi sebesar 96,21%, nilai loss sebesar 0,1372, dan f1-score sebesar 0,96. Pada tugas akhir ini juga dilakukan evaluasi model saat dijalankan pada perangkat Raspberry Pi dan perhitungan Quality of Service (QoS).

Subjek

ARTIFICIAL INTELLIGENCE
 

Katalog

IMPLEMENTASI METODE DEEP LEARNING DAN XGBOOST UNTUK KLASIFIKASI PENYAKIT JANTUNG ARITMIA
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

DHANAR BINTANG PRATAMA
Perorangan
Favian Dewanta, Syamsul Rizal
Indonesia

Penerbit

Universitas Telkom, S1 Teknik Telekomunikasi
Bandung
2021

Koleksi

Kompetensi

 

Flipbook

anda harus log in untuk mengakses flippingbook

Lainnya

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini