Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Zumaro, Athiya Jannati
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Studi Klasifikasi Aritmia Menggunakan Model GRU berbasis Continual Normalization pada Dataset Chapman-Shaoxing Zumaro, Athiya Jannati; Pramukantoro, Eko Sakti; Adinugroho, Sigit
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab kematian tertinggi secara global. Deteksi aritmia otomatis berbasis sinyal elektrokardiogram (EKG) menjadi solusi penting untuk mengatasi keterbatasan interpretasi manual yang rentan terhadap kesalahan manusia. Namun, model deep learning konvensional menghadapi tantangan pelatihan ketika dihadapkan pada sinyal EKG berskala besar yang bersifat non-stasioner dan bervariasi antar pasien. Penelitian ini mengusulkan model Gated Recurrent Unit berbasis Continual Normalization (GRU-CN) untuk klasifikasi empat superclass aritmia: Atrial Fibrillation (AFIB), General Supraventricular Tachycardia (GSVT), Sinus Bradycardia (SB), dan Sinus Rhythm (SR) pada dataset Chapman-Shaoxing yang terdiri dari 45.108 rekaman. Model dikembangkan melalui pendekatan two-stage learning: tahap pertama berupa unsupervised pretraining menggunakan GRU Autoencoder untuk mempelajari representasi laten sinyal EKG, dilanjutkan dengan classifier secara supervised. Continual Normalization diterapkan dengan menggabungkan Batch Normalization dan Group Normalization secara berurutan untuk menstabilkan distribusi selama pelatihan. Hasil evaluasi menunjukkan bahwa GRU-CN mencapai test accuracy sebesar 92,57%, macro F1-score sebesar 0,9181, dan AUC Macro sebesar 99,00%, mengungguli model GRU Baseline (36,58%), GRU-BN (89,60%), dan GRU-GN (88,54%). Kontribusi pretraining autoencoder memberikan peningkatan akurasi sebesar 2,15% dibandingkan model tanpa pretraining. Penelitian ini menunjukkan bahwa integrasi Continual Normalization dan strategi two-stage learning efektif dalam meningkatkan stabilitas dan akurasi klasifikasi aritmia pada data EKG berskala besar.
Co-Authors Eko Sakti Pramukantoro, Eko Sakti Sigit Adinugroho