M.Rizky, M.Rizky and Awangga, Rolly Maulana and Andarsyah, Roni (2023) OPTIMISASI PENDETEKSIAN AWAL GAGAL JANTUNG MENGGUNAKAN CNN DENGAN TRANSFER LEARNING MODEL ARSITEKTUR RESNET-50 (1.1.4.23.021/M.R/O). Diploma thesis, ULBI.
Full text not available from this repository.Abstract
ABSTRAK Deep Learning sudah digunakan secara luas dan menunjukkan tingkat akurasi yang tinggi dalam banyak aplikasi, termasuk di bidang kesehatan, aplikasi dalam deteksi dini penyakit jantung masih memiliki ruang untuk peningkatan. Diperlukan penelitian lebih lanjut untuk meningkatkan akurasi dan efisiensi proses ini. Penelitian ini bertujuan untuk memahami dan memperbaiki proses ekstraksi sinyal EKG dan klasifikasi dengan menggunakan metode Deep Learning dengan model arsitektur ResNet-50. Pada dasarnya, penelitian ini bertujuan untuk mengevaluasi dan mengembangkan penelitian sebelumnya, dengan fokus menghitung persentase seberapa besar potensi kemungkinan pasien akan mengalami gagal jantung dari hasil klasifikasi kumpulan detak jantung aritmia pada beberapa sampel. Penelitian ini melakukan tinjauan terhadap beberapa penelitian terkait, khususnya yang berfokus pada proses ekstraksi dan klasifikasi sinyal EKG dengan menggunakan Deep Learning. Setelah ekstraksi, augmentasi dan klasifikasi data, proses evaluasi dilakukan untuk menentukan seberapa bagus model yang dihasilkan. Dari penelitian yang telah dilakukan, ditemukan bahwa metode CNN dengan arsitektur ResNet-50 menunjukkan tingkat akurasi yang tinggi, yaitu antara 97.80%, presisi 97.90%, recall 97.70% dan F1 Score 97.81%. Dengan demikian, penelitian ini mengkonfirmasi bahwa model yang dihasilkan dapat digunakan untuk klasifikasi detak jantung untuk mendeteksi potensi awal gagal jantung. Kata Kunci: Deep Learning, Ekstraksi, EKG, Klasifikasi
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Depositing User: | Unnamed user with email [email protected] |
| Date Deposited: | 23 Jan 2024 03:56 |
| Last Modified: | 23 Jan 2024 03:56 |
| URI: | http://eprint.ulbi.ac.id/id/eprint/2104 |
Actions (login required)
 |
View Item |
