Article Per Year (5 Year)
p-Index From 2021 - 2026
3.732
P-Index
This Author published in this journals
All Journal Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Journal of Computer Engineering: Progress, Application and Technology
Tito Waluyo Purboyo
Universitas Telkom
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 42 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4 
Analisis Teknik Explainable AI Post-hoc untuk Deteksi Infark Miokard Berbasis Sinyal EKG Assyifa, Fathiya Nur; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Model deep learning (DL) menunjukkan akurasi yang unggul dalam menganalisis sinyal EKG untuk mendeteksi infark miokard. Namun, pendekatan ini sering dianggap sebagai "black box" yang sulit dipahami oleh tenaga medis. Penelitian ini mengevaluasi penerapan explainable AI (XAI), yakni Grad-CAM dan LRP, dalam meningkatkan interpretabilitas model DL berbeda untuk deteksi infark miokard menggunakan sinyal EKG. Pada studi ini, XAI berupa Grad-CAM dan LRP diaplikasikan pada tiga jenis model konvolusional, yakni model konvolusional biasa, model residual, serta model inception. Hasil menunjukkan bahwa Grad-CAM memberikan penjelasan spasial yang konsisten dengan atribusi positif serta lebih sederhana, sementara LRP dapat memberikan atribusi positif maupun negatif, membedakan relevansi antar-lead, serta tidak tergantung pada resolusi spasial dari layer internal model. Kemudian, kombinasi Grad-CAM untuk analisis temporal dan LRP untuk analisis relevansi lead memberikan interpretasi model yang paling komprehensif dan direkomendasikan untuk evaluasi relevansi klinis model DL. Disimpulkan bahwa arsitektur InceptionTime ditemukan merupakan model terbaik, dengan akurasi tertinggi serta utilisasi lead tertinggi berdasarkan analisis XAI. Kata kunci—deep learning, elektrokardiogram, infark miokard, XAI
Klasifikasi Aritmia Pada Sinyal Elektrokardiogram Menggunakan Gated Recurrent Unit Annisa , Wina Nur; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Deteksi aritmia jantung secara otomatis umumnya dilakukan melalui analisis sinyal elektrokardiogram (EKG) untuk meningkatkan akurasi dan efisiensi diagnosis. Penelitian ini mengevaluasi pengaruh variasi panjang window (3R, 5R, 10R) terhadap performa klasifikasi aritmia, membandingkan kinerja varian arsitektur Gated Recurrent Unit (GRU0–GRU4) dan Bidirectional GRU (BiGRU0–BiGRU4), serta menganalisis dampak konfigurasi hyperparameter. Dataset yang digunakan adalah MIT-BIH Arrhythmia, dengan segmentasi sinyal menggunakan metode sliding window berbasis jumlah puncak R. Model dilatih menggunakan fungsi loss categorical crossentropy dan optimizer Adam, dengan tuning pada jumlah unit (32, 64, 128), dropout (0.2, 0.5), dan learning rate (0.001, 0.0001). Evaluasi dilakukan menggunakan akurasi, ROC AUC, precision, recall, dan F1-score. Hasil menunjukkan bahwa window 3R dan model GRU0 dengan konfigurasi 128 unit, dropout 0.2, dan learning rate 0.001 menghasilkan performa terbaik, dengan akurasi 95.99%, F1-score 0.9599, dan akurasi validasi akhir 96.72%. Temuan ini membuktikan bahwa arsitektur GRU sederhana dengan konfigurasi optimal mampu memberikan klasifikasi aritmia berbasis EKG dengan performa tinggi. Kata kunci— Aritmia, BiGRU, EKG, GRU, Hyperparameter Tuning, Sliding Window
Klasifikasi Infark Miokard Berbasis Sinyal EKG Menggunakan Hybrid CNN-LSTM dan CNN BiLSTM Nafisa, Hana Rizkia; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Infark miokard merupakan penyebab utama kematian akibat penyakit kardiovaskular di Indonesia. Elektrokardiogram (EKG) merupakan metode yang paling umum digunakan untuk mendeteksi perubahan aktivitas listrik jantung yang berkaitan dengan kondisi ini. Penelitian ini mengembangkan sistem klasifikasi sinyal EKG guna mendeteksi infark miokard menggunakan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), serta membandingkan performanya dengan arsitektur Bidirectional LSTM (BiLSTM). Metode yang digunakan melibatkan dua model hybrid, yaitu CNN-LSTM dan CNN-BiLSTM, yang berperan dalam menangkap pola temporal dari sinyal EKG. Optimasi hyperparameter dilakukan menggunakan grid search dengan 5-fold cross-validation. Performa model dievaluasi berdasarkan akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa model CNN-LSTM menghasilkan akurasi sebesar 0,922, presisi 0,921, recall 0,922, F1-score 0,922, dan ROC-AUC 0,974. Model CNN-BiLSTM memberikan sedikit peningkatan performa dengan akurasi 0,923, presisi 0,924, recall 0,923, dan F1-score 0,924, meskipun ROC-AUC sedikit lebih rendah, yaitu 0,973. Meskipun BiLSTM memungkinkan pemrosesan temporal dua arah, peningkatan performa relatif kecil dan tidak signifikan dibandingkan kompleksitas arsitekturnya. Oleh karena itu, CNN-LSTM dinilai lebih efisien namun tetap efektif dalam klasifikasi sinyal EKG infark miokard. Kata kunci— infark miokard, EKG, CNN-LSTM, BiLSTM, klasifikasi sinyal, deep learning
Optimasi Deteksi Aritmia Pada Sinyal Ekg Menggunakan Pendekatan Divergence Kullback-Leiber Fathir, Muhammad Azlam Ikhlasul; Purboyo, Tito Waluyo; Humairani, Annisa
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Aritmia jantung merupakan gangguan irama jantung yang berpotensi memicu kondisi kardiovaskular serius apabila tidak terdeteksi secara dini. Kompleksitas morfologi sinyal elektrokardiogram (EKG), dimensi data yang tinggi, dan ketidakseimbangan distribusi kelas pada dataset menjadi tantangan dalam pengembangan sistem deteksi berbasis kecerdasan buatan. Penelitian ini bertujuan mengembangkan sistem klasifikasi aritmia berbasis sinyal EKG dari MIT-BIH Arrhythmia Database dengan menggabungkan Discrete Wavelet Transform (DWT) dan Kullback–Leibler Divergence (KL Divergence) untuk ekstraksi fitur. Data diseimbangkan menggunakan random undersampling sebelum ekstraksi, dengan empat pendekatan distribusi pada KL Divergence, yaitu Uniform, Exponential, Gaussian, dan Combined. klasifikasi dilakukan menggunakan Support Vector Machine (SVM) dengan kernel RBF, serta dievaluasi menggunakan metrik akurasi, F1-score, ROC AUC, log loss, average precision (AP), efisiensi komputasi, dan Coefficient of Variation (CV). Hasil menunjukkan bahwa KL Combined memberikan performa terbaik dengan akurasi 0,8895, F1-score 0,9039, AUC 0,9406, dan log loss uji 0,3012. KL Combined dinilai optimal untuk implementasi klinis karena menggabungkan akurasi tinggi, kestabilan, dan efisiensi, menjadikannya pilihan unggulan dalam sistem deteksi aritmia yang konsisten dan andal. Kata kunci: Aritmia jantung, Divergence Kullback-Leibler, Discrete Wavelet Transform, EKG, MIT-BIH, Support Vector Machine
Pengembangan Aplikasi Android Untuk Pemantauan Mandiri Denyut Jantung Berbasis Sinyal Elektrokardiogram Buatan Chaer, Muhammad Adil; Purboyo, Tito Waluyo; Putra, M. Darfyma
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Pemantauan kesehatan jantung secara waktu nyata (real-time) penting untuk mendeteksi dini potensi gangguan irama jantung. Perangkat elektrokardiogram (ECG) konvensional umumnya berukuran besar, mahal, dan memerlukan tenaga ahli untuk pengoperasiannya, sehingga sulit diakses terutama di wilayah dengan keterbatasan fasilitas medis. Penelitian ini bertujuan mengembangkan aplikasi Android untuk memantau sinyal ECG buatan yang dihasilkan oleh mikrokontroler ESP32, menampilkan grafik sinyal secara langsung, menghitung jumlah detak jantung per menit (beats per minute / BPM), mengklasifikasikan kondisi jantung, dan menyimpan hasil pemeriksaan ke basis data daring. Metode yang digunakan mencakup pembuatan sinyal ECG sintetik pada ESP32, pengiriman data melalui koneksi nirkabel, pemrosesan sinyal di aplikasi untuk perhitungan BPM dan deteksi kondisi bradikardia/takikardia, serta penyimpanan hasil ke cloud database. Hasil pengujian menunjukkan aplikasi mampu menampilkan sinyal ECG dengan laju rata-rata 125 data/detik, latensi rata-rata 82 ms, dan akurasi perhitungan BPM 100%. Sistem juga berhasil menyimpan dan menampilkan kembali riwayat pemeriksaan secara akurat. Aplikasi ini dapat digunakan sebagai sarana simulasi dan pembelajaran pemantauan ECG secara waktu nyata tanpa memerlukan perangkat medis mahal, mendukung konsep akses kesehatan yang lebih luas. Kata kunci— elektrokardiogram, ESP32, Android, BPM, pemantauan real-time
Co-Authors A. A. Ngurah Wisnu Gautama Aisyah Kumala Dewi Aisyah, Diah Andi Nurfita F Andika Malraherawan Pradana ANGGUNMEKA LUHUR PRASASTI Annisa , Wina Nur Anton Siswo Raharjo Ardhya Chaeruna Salim Assyifa, Fathiya Nur Bernard Raditio Parulian Casi Setianingsih Chaer, Muhammad Adil Eka Cahya Pratama F, Andi Nurfita Faizal Mulya Fathir, Muhammad Azlam Ikhlasul Ginting, Dewi Swarni Br Haadi, Muhamad Addin Al Hanif Kukuh Raharjo Hardiyanto, Ridho Adha HUMAIRANI, ANNISA I Made Irvan Wilian Handi Ikhsan Hakiki Insani, Raka Zia Jainudin Anwar Jatmiko Reno Ramadhani KHAERUDIN SALEH Komara , Riza Aria Komara, Riza Aria Lintang Indah Permatasari M Darfyma Putra M. Faris Ruriawan Meta Kallista Muhammad Nardika Mujp Muhammad Irsyad N, Ridha Melati Nafisa, Hana Rizkia Nashar Luthfi Sugara Nasywa, Rifdah Nur Naufal , Dziban Naufal, Dziban Naufal, Sultan Muhammad Novianty, Astri Nurya Fahru Rosyidin Praditya , Farhan Ramadhan Purba Daru Kusuma Putti, Fasya Hanifah Raharjo, Hanif Kukuh Rambe , Muhammad Anugra Rizky Randa, Gloria Belinda Rande, Andini Windy Ratna Astuti Nugrahaeni Rifa’i, Irfan Rifkha Junianty Arief Rifki Wijaya Roswan Latuconsina Rosyidin, Nurya Fahru Saftari, Liana Nafisa Sebastian Daniel Parlindungan Shafa A.R, Farah Nabylla Surya Michrandi Nasution Winatra, Jennifer Celine Yanata, Mahardika Putra Yudha Purwanto Zaki Zamzami Zamhari, Dyka Khairullah