Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Mathematics and Natural Sciences
Yopi Julia Nurriski
Universitas Negeri Semarang, Indonesia
Mathematics

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

Found 1 Documents
Search

 1 
Optimasi Deep Convolutional Neural Network (Deep CNN) untuk Deteksi Aritmia Melalui Sinyal EKG Menggunakan Arsitektur Conv1D Yopi Julia Nurriski; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46176

Abstract

Cardiovascular disease (CVD) adalah penyebab signifikan morbiditas dan mortalitas di seluruh dunia. Aritmia menjadi salah satu kondisi yang paling parah dari CVD. Penyakit ini mengacu pada ketidakteraturan denyut atau irama jantung. Penyakit aritmia dapat diidentifikasi melalui rekaman sinyal elektrokardiogram (EKG). Pada penelitian ini, dilakukan data cleaning yang bertujuan untuk menghilangkan missing value pada dataset. Adapun metode yang digunakan untuk klasifikasi adalah Deep Convolutional Neural Network (Deep CNN) dengan arsitektur Conv1D. Oleh karena itu, dilakukan perubahan dimensi input menjadi satu dimensi. Data hasil perubahan dimensi dilanjutkan dengan proses normalisasi data menggunakan metode standar (z-score normalization) dan pembobotan dengan menggunakan WeightedRandomSample. Hal ini dilakukan agar didapatkan keseimbangan data. Selanjutnya, dataset diekstrasi dan diklasifikasikan dengan Deep CNN. Pemilihan Deep CNN dalam ekstraksi fitur karena dapat mengektraksi fitur yang sangat kompleks dari sinyal EKG sehingga dapat mencegah kehilangan informasi-informasi penting pada dataset. Selanjutnya dilakukan evaluasi menggunakan Confusion Matrix. Dari hasil evaluasi Deep CNN dengan arsitektur Conv1D pada deteksi arimtia menghasilkan akurasi 98,88% yang lebih tinggi dari metode sebelumnya.
Co-Authors Alamsyah Alamsyah