LKP : Klasifikasi Sinyal PCG Menggunakan Convolutional Neural Network

Miskiyanto, Miskiyanto (2022) LKP : Klasifikasi Sinyal PCG Menggunakan Convolutional Neural Network. Undergraduate thesis, Universitas Dinamika.

Preview	Text 17410200044-2022-UNIVERSITAS DINAMIKA.pdf - Accepted Version Download--- (870kB) | Preview
	Text 17410200044-2022-LAMPIRAN.pdf - Accepted Version Restricted to Repository staff only Download--- (1MB)

Search this title on : |

Abstract

Jantung adalah organ vital yang digunakan dalam kegiatan sehari-hari. Namun, berdasarkan survei World Heatlh Organization (WHO), terdapat 33% kematian disebabkan oleh Penyakit Jantung Koroner (PJK). Pemeriksaan jantung secara rutin diharapkan dapat membantu pasien dalam memonitoring kondisi jantungnya. Teknik untuk mendengarkan suara jantung dengan menggunakan elektronik atau tradisional stethoscope, sebuah metode lama namun sangat efektif dalam melakukan diagnosis terhadap sejumlah penyakit kardiovaskular. Namun, hasil pemeriksaan yang didasarkan pendengaran dokter, juga menjadi kendala dalam menentukan hasil pemeriksaan jantung, karena merupakan hasil subjektifitas. Hal ini menjadikan analisis pendeteksian terhadap karakteristik sinyal suara jantung secara otomatis penting untuk dilakukan supaya tidak terjadi kesalahan diagnosa pada saat perekaman sinyal suara jantung. Dengan berkembangnya teknik klasifikasi secara otomatis dengan neggunakan machine learning maupun deep learning, telah banyak upaya yang dilakukan untuk menganalisa sinyal PCG. Dengan adanya hal tersebut, maka penulis membuat sebuah sistem untuk melakukan klasifikasi secara otomatis terhadap sinyal jantung PCG. Metode yang digunakan pada penelitian ini adalah Convoluional Neural Network (CNN). Dari hasil pengujian klasifikasi sinyal jantung PCG menggunakan CNN maka dapat disimpulkan bahwa data yang berupa sinyal suara jantung phonocardiogram berektensi wav dan melalui preproses dengan plp dan di implementasikan menggunakan convolutional neural network dapat dijalankan. Pengujian model yang telah dibuat dengan variasi dataset sebanyak 1152 yang dibagi kedalam 70% untuk kebutuhan data latih dan 30% untuk validasi mendapatkan nilai akurasi percobaan sebesar 81% dan data loss sebesar 7%.

Export Record

ASCII Citation Atom BibTeX Dublin Core EP3 XML EndNote HTML Citation JSON METS MODS MPEG-21 DIDL OpenURL ContextObject OpenURL ContextObject in Span RDF+N-Triples RDF+N3 RDF+XML Refer Reference Manager Simple Metadata

Download Statistics

Downloads over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

View more statistics

Actions (login required)

View Item