Wiguna, Made Putera and Dr. Ir. Ponco Siwindarto,, M.Eng.Sc and Dr. Ir. Erni Yudaningtyas,, M.T (2023) Klasifikasi Sinyal Elektrokardiogram Menggunakan Metode Artificial Neural Network Sebagai Pendeteksi Fibrilasi. Sarjana thesis, Universitas Brawijaya.
Abstract
Aritmia jantung adalah kelompok kondisi di mana ada aktivitas listrik abnormal di jantung yang dapat menyebabkan gejala yang mengganggu hingga kondisi yang berpotensi mengancam jiwa. Salah satu jenis aritmia yang dapat memicu komplikasi yang parah adalah fibrilasi atrium (FA), yang terkait dengan penyakit seperti hipertiroidisme, hipertensi, diabetes, dan penyakit jantung reumatik. FA juga dapat menyebabkan kardiomiopati, stroke, palpitasi, dan bahkan gagal jantung jika tidak ditangani dengan cepat. Elektrokardiogram (EKG) dapat digunakan untuk mengevaluasi dan menangani aritmia jantung. Maka dari itu, diperlukannya suatu sistem klasifikasi sinyal yang dapat dilakukan segera secara mandiri. Teknologi-teknologi seperti machine learning sangat cocok untuk diimplementasikan untuk membedakan sinyal elektrokardiogram (EKG). Untuk menyelesaikan permasalahan tersebut, maka dibuatlah sistem klasifikasi sinyal elektrokardiogram menggunakan artificial neural network dengan arsitektur Long Short- term Memory. Klasifikasi yang diajukan dapat mengklasifikasi sinyal pasien normal dengan sinyal pasien yang mengalami fibrilasi atrial menggunakan metode Artificial Neural Network dengan arsitektur Long Short-Term Memory. Teknik preprosessing data pada sinyal EKG sebelum proses klasifikasi, yaitu segmentasi, normalisasi, dan ekstraksi fitur. Untuk mengimplementasikan model tersebut maka harus dilakukan proses training pada model klasifikasi. Proses penelitian diawali dengan mengumpulkan dataset berupa data sinyal elektrokardiogram. Dataset sinyal tersebut kemudian diberi label sebagai pembelajaran mesin pada proses training. Proses pelabelan dibagi menjadi 2 kelas, yaitu sinyal normal dan sinyal fibrilasi atrial. Hasil dataset yang telah diberi label kemudian dipakai dalam proses training machine learning. Kemudian, kumpulan dataset tersebut dibagi menjadi dua yaitu data training dan test. Untuk mengetahui kinerja dari model klasifikasi yang sudah dilatih maka, dilakukan beberapa pengujian. Beberapa yang dilihat dalam pengujian adalah matiks konfusi dari model tersebut. Dari matriks konfusi tersebut dapat diamati nilai akurasi, sensitivitas, dan spesifisitas. Hasil pengujian yang telah dilakukan menunjukkan bahwa metode yang digunakan mendapatkan nilai akurasi yang sangat baik sebesar 94,41%, sensitivity sebesar 94,52%, dan spesifisitas sebesar 93,74%.
English Abstract
Cardiac arrhythmias are a group of conditions where there is abnormal electrical activity in the heart that can cause bothersome symptoms to potentially life-threatening conditions. One type of arrhythmia that can trigger severe complications is atrial fibrillation (FA), which is associated with diseases such as hyperthyroidism, hypertension, diabetes, and rheumatic heart disease. FA can also lead to cardiomyopathy, stroke, palpitations and even heart failure if not treated quickly. An electrocardiogram (ECG) can be used to evaluate and treat cardiac arrhythmias. Therefore, there is a need for a signal classification system that can be performed immediately and independently. Technologies such as machine learning are suitable to be implemented to differentiate electrocardiogram (ECG) signals. To solve this problem, an electrocardiogram signal classification system using artificial neural network with Long Short-term Memory architecture was created. The proposed classification can classify normal patient signals with patient signals experiencing atrial fibrillation using the Artificial Neural Network method with Long Short-Term Memory architecture. Data preprocessing techniques on ECG signals before the classification process, namely segmentation, normalization, and feature extraction. To implement the model, a training process must be carried out on the classification model. The research process begins with collecting datasets in the form of electrocardiogram signal data. The signal dataset is then labelled as machine learning in the training process. The labelling process is divided into 2 classes, namely normal signals and atrial fibrillation signals. The labelled dataset is then used in the machine learning training process. Then, the dataset is divided into two, namely training and test data. To determine the performance of the classification model that has been trained, several tests are carried out. Some of what is seen in testing is the confusion matrix of the model. From the confusion matrix, the accuracy, sensitivity, and specificity values can be observed. The results of the tests that have been carried out show that the method used gets a very good accuracy value of 94,41%, sensitivity of 94,52%, and specificity of 93,74%.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | 0523070067 |
Uncontrolled Keywords: | EKG, Arritmia, Fibrilasi Atrium, Klasifikasi, Artificial Neural Network,Long Short-Term Memory .- ECG, Arrhythmia, Atrial Fibrillation, Classification, Artificial Neural Network, Long Short-Term Memory |
Subjects: | 600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.38 Electronics, communications engineering > 621.381 Electronics |
Divisions: | Fakultas Teknik > Teknik Elektro |
Depositing User: | PKN 02 UB |
Date Deposited: | 08 Jun 2023 07:27 |
Last Modified: | 08 Jun 2023 07:27 |
URI: | http://repository.ub.ac.id/id/eprint/201220 |
![]() |
Text (DALAM MASA EMBARGO)
Made Putera Wiguna.pdf Restricted to Registered users only until 31 December 2025. Download (3MB) |
Actions (login required)
![]() |
View Item |