Komparasi Antara Tiga Teknik Wavelet Transform Untuk Inferensi Klasifikasi Sinyal EKG (Teknik Continuous Wavelet Transform, Discrete Wavelet Transform, dan Stationary Wavelet Transform)

Sururi, Anasya Miftakus and Eko Sakti Pramukantoro, S.Kom., M.Kom., Ph.D and Kasyful Amron, S.T., M.Sc (2024) Komparasi Antara Tiga Teknik Wavelet Transform Untuk Inferensi Klasifikasi Sinyal EKG (Teknik Continuous Wavelet Transform, Discrete Wavelet Transform, dan Stationary Wavelet Transform). Sarjana thesis, Universitas Brawijaya.

Abstract

Penyakit kardiovaskular (CVD) masih menjadi penyebab utama kematian di seluruh dunia. Oleh karena itu, penyakit ini perlu dideteksi sedini mungkin. Salah satu solusinya adalah dengan menggunakan prediksi sinyal elektrokardiogram (EKG) otomatis menggunakan pembelajaran mesin atau deep learning. Di antara sekian banyak teknik dalam analisis sinyal EKG otomatis, wavelet transform telah disorot karena keefektifannya dalam denoising dan ekstraksi fitur. Kemudian, Convolutional Neural Network (CNN) dilakukan untuk memprediksi detak jantung. Teknik wavelet transform tidak hanya dilatih dan diuji dengan satu dataset, tetapi perlu diimplementasikan dalam dataset lain atau data dari pasien sebenarnya. Selain itu, perlu diketahui teknik mana yang lebih unggul pada kondisi tertentu dalam melakukan inferensi. Pada penelitian ini, dilakukan perbandingan teknik wavelet transform, seperti Continuous Wavelet Transform (CWT), Discrete Wavelet Transform (DWT), dan Stationary Wavelet Transform (SWT). Teknik-teknik tersebut dilatih dan diuji dengan MIT-BIH Arrhythmia Database dan data pribadi berupa rekaman sinyal EKG 30 menit dan 47,5 menit untuk inferensi. Hasilnya, akurasi, precision, recall, dan F1-score tertinggi dicapai oleh CWT dengan nilai berturut-turut yaitu 0,9908; 0,9927; 0,9929; dan 0,9927. Kemudian, DWT menghabiskan waktu inferensi tersingkat yaitu sekitar 4,0532 detik dan menggunakan memori terendah yaitu 490,233 MB saat inferensi di Raspberry Pi. Selain itu, DWT juga menghabiskan waktu inferensi tersingkat yaitu 0,996 detik dan juga menggunakan memori terendah yaitu 591,0158 MB saat inferensi di Intel NUC.

English Abstract

Cardiovascular disease (CVD) is still the leading cause of death worldwide. Therefore, the disease needs to be detected as early as possible. One solution is to use automated ECG Signal prediction using machine learning or deep learning. Among the many techniques in automated ECG signal analysis, wavelet transform has been highlighted for its effectiveness in noise and feature extraction. Then, Convolutional Neural Network (CNN) is performed to predict the heart rate. The wavelet transform technique should not only be trained and tested with one dataset, but needs to be implemented in other datasets or data from actual patients. In addition, it is necessary to know which technique is superior under certain conditions in performing inference. In this research, a comparison of wavelet transform techniques, such as Continuous Wavelet Transform (CWT), Discrete Wavelet Transform (DWT), and Stationary Wavelet Transform (SWT), is conducted. The techniques were trained and tested with MIT-BIH Arrhythmia Database and personal data in the form of 30-minute and 47.5-minute ECG signal recordings for inference. As a result, the highest accuracy, precision, recall, and F1-score were achieved by CWT with values of 0.9908, 0.9927, 0.9929, and 0.9927, respectively. Then, DWT spent the shortest inference time of about 4.0532 seconds and used the lowest memory of 490.233 MB when inferring on Raspberry Pi. In addition, DWT also spends the shortest inference time of 0.996 seconds and also uses the lowest memory of 591.0158 MB when inferencing on Intel NUC.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150023
Uncontrolled Keywords:	Wavelet Transforms, Convolutional Neural Network, Prediksi detak jantung, Inferensi-Wavelet Transforms, Convolutional Neural Network, Heartbeat prediction, Inferencing.
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	15 Feb 2024 07:02
Last Modified:	15 Feb 2024 07:02
URI:	http://repository.ub.ac.id/id/eprint/215260

Text (DALAM MASA EMBARGO) Anasya Miftakus Sururi.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item