TA: Klasifikasi Sinyal Jantung Phonocardiogram Menggunakan Metode Long Short-term Memory (LSTM)

Miskiyanto, Miskiyanto (2022) TA: Klasifikasi Sinyal Jantung Phonocardiogram Menggunakan Metode Long Short-term Memory (LSTM). Undergraduate thesis, Universitas Dinamika.

Preview	Text 17410200044-2021-UNIVERSITAS DINAMIKA.pdf - Accepted Version Download (2MB) | Preview
	Text 17410200044-2021-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 Long Short – Term Memory (LSTM) dengan menggunakan variasi dataset sebanyak 3240 yang terbagi kedalam 70% data latih dan 30% data validasi. Akurasi yang didapatkan dari metode LSTM dengan menggunakan 5 hidden layer sebesar 91% untuk akurasi training dan 81.7% untuk nilai akurasi test. Dengan dilakukan sebanyak beberapa kali percobaan didapatkan hasil semakin banyak jumlah layer disetiap layer maka waktu yang dibutuhkan untuk proses training data juga semakin lama.

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