Perancangan Sistem Pendeteksi Aritmia menggunakan Convolutional Neural Network (CNN) Dengan Spektogram

Sihombing, Jojor Pesolima and Pasaribu, Novie Theresia Br. and Suherman, Jo and Setiawan, Febryan (2019) Perancangan Sistem Pendeteksi Aritmia menggunakan Convolutional Neural Network (CNN) Dengan Spektogram. In: Seminar Nasional Energi, Telekomunikasi, dan Otomasi (SNETO) 2019, 14 Desember 2019, Bandung.

[img] Text
3. Perancangan Sistem Pendeteksi Aritmia Menggunakan Convolutional Neural Network (Cnn) Dengan Spektogram.pdf

Download (870Kb)
[img] Text
3. Turnitin_Perancangan Sistem Pendeteksi Aritmia menggunakan Convolutional Neural Network (CNN) Dengan Spektogram.pdf

Download (1619Kb)

Abstract

Elektrokardiogram (EKG) adalah tes medis untuk mendeteksi kelainan jantung dengan mengukur aktivitas listrik yang dihasilkan oleh jantung, sebagaimana jantung berkontraksi. Aritmia merupakan masalah pada irama jantung ketika berdetak terlalu cepat, terlalu lambat, atau tidak teratur. Convolutional Neural Network adalah salah satu jenis Neural Network yang digunakan pada data citra. Model CNN yang digunakan dalam penelitian yaitu model AlexNet. Sinyal EKG akan di Time Windowing , kemudian dilakukan proses Continous Wavelet Transform (CWT). Hasil dari CWT adalah sinyal Fast Fourier Transform dan citra Spektogram. Citra Spektogram ini menjadi input CNN. Output CNN akan di Cross Validation menggunakan 5-fold Cross Validation . Database yang digunakan adalah MIT-BIH Arrhythmia Database (mitdb). Nilai accuracy tertinggi 89.2% pada TW 5 detik. Nilai sensitivity tertinggi 90% terdapat pada TW 5 detik dan hasil untuk spesivisity sebesar 92.22% terdapat pada TW 10 detik.

Item Type: Conference or Workshop Item (Paper)
Uncontrolled Keywords: Aritmia, EKG, Convolutional Neural Network, Time Windowing, Continous Wavelet Transform
Subjects: T Technology > T Technology (General)
Depositing User: Perpustakaan Maranatha
Date Deposited: 27 Oct 2021 09:47
Last Modified: 29 Mar 2023 16:52
URI: http://repository.maranatha.edu/id/eprint/28000

Actions (login required)

View Item View Item