Article Per Year (5 Year)
p-Index From 2020 - 2025
1.084
P-Index
This Author published in this journals
All Journal eProceedings of Engineering Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika
Naufal, Dziban
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Klasifikasi Aritmia pada sinyal ECG menggunakan Ensemble Machine Learning dengan kerangka kerja Bootstrap Aggregating Winatra, Jennifer Celine; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyakit jantung masih menjadi penyebab utama kematian global, terutama di negara-negara berkembang. Aritmia, salah satu jenis gangguan irama jantung, berperan besar dalam angka kematian ini. Dengan meningkatnya jumlah kasus fibrilasi atrium (FA), deteksi dini menjadi sangat penting. Penelitian ini mengeksplorasi penggunaan ensemble machine learning dengan kerangka kerja bootstrap aggregating (bagging) untuk klasifikasi sinyal elektrokardiogram (EKG). Dataset MIT-BIH digunakan sebagai data latih dengan berbagai pendekatan bagging seperti Traditional Bagging, Bayesian Bagging, Feature Bagging, dan Random Subspace. Hasil menunjukkan bahwa Bayesian Bagging memberikan performa terbaik (akurasi 93.40%, F1-score 93.50%, dan AUC 99.30%) dengan waktu inferensi hanya 0.10 detik. Keunggulan ini dipengaruhi oleh mekanisme pembobotan Dirichlet yang mampu mempertahankan kontribusi tiap sampel secara efektif. Studi ini menunjukkan bahwa metode bagging menawarkan keseimbangan optimal antara akurasi, stabilitas metrik, efisiensi komputasi, serta potensi penerapan klinis untuk membantu diagnosis aritmia secara lebih cepat, akurat, dan andal di berbagai kondisi. Kata kunci — aritmia, EKG, bootstrap aggregating, ensemble machine learning, Bayesian Bagging, MIT-BIH
Klasifikasi Aritmia Pada Sinyal Elektrokardiogram Menggunakan Long-Short Term Memory Dan Variannya Rande, Andini Windy; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyakit jantung merupakan penyebab kematian tertinggi di dunia, termasuk Aritmia. Pengecekan Aritmia dilakukan menggunakan alat Elektrokardiogram (EKG), analisis dilakuk- an oleh para profesional medis. Namun, sering kali membu- tuhkan waktu subjektif dan rentan terhadap kesalahan. Peneli- tian ini mengusulkan sistem klasifikasi Aritmia menggunakan Long-Short Term Memory (LSTM) dan Variannya. Klasifikasi dilakukan terhadap delapan jenis Aritmia menggunakan data- set MIT-BIH Arrhythmia. Peneltian ini menggunakan teknik sliding window berdasarkan jumlah (PQRST) dalam setiap episode. Hasilnya digunakan sebagai masukan untuk klasifi- kasi Aritmia menggunakan arsitektur LSTM, BI-LSTM dan NLSTM dengan kombinasi optimizer (Adam, RMSprop, SGD) dan batch size (16,32, 64). Melalui penelitian ini ditemukan bahwa hasil klasifikasi Aritmia dengan kombinasi arsitektur LSTM dengan ukuran window 10 kompleks PQRST, optimizer RMSprop dan batch size 32 memberikan performa terbaik dibandingkan kombinasi lainnya. Hasil yang diperoleh adalah akurasi accuracy 96.51%, precision 96.77%, recall 96.51% dan F1-score 96.56%. Kata kunci: Aritmia, BILSTM, LSTSM, NLSTM, Klasifikasi, Ritme jantung, RNN, Sinyal ECG.
ANALISIS ATTRACTORS NON-LINIER PADA SINYAL HEART RATE VARIABILITY (HRV) UNTUK DETEKSI AWAL PENYAKIT JANTUNG KORONER maudy, maudy apriana; Waluyo Purboyo, Tito; Naufal, Dziban
Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika Vol. 4 No. 2 (2025): Juni 2025
Publisher : Perpustakaan Universitas Telkom

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

Abstract

Penyakit jantung koroner (Coronary Artery Disease/CAD) merupakan salah satu penyebab kematian tertinggi di dunia yang seringkali terdeteksi pada tahap lanjut. Oleh karena itu, diperlukan metode deteksi dini yang cepat, non-invasif, dan efisien. Salah satu pendekatan yang potensial adalah pemanfaatan sinyal Heart Rate Variability (HRV). Namun, metode analisis HRV konvensional berbasis pendekatan linier sering kali tidak mampu menangkap dinamika kompleks jantung yang bersifat non-linier. Penelitian ini mengusulkan pendekatan berbasis rekonstruksi ruang fase untuk mengungkap pola dinamis non-linier dari parameter HRV, yaitu SDRR (Standar Deviation of RR intervals) dan RMSSD (Root Mean Square of Successive Differences), pada dua lead sinyal elektrokardiogram (EKG) (Lead II dan V1). Gambar hasil Phase Space Reconstruction (PSR) dianalisis secara morfologis melalui uji Kolmogorov–Smirnov dua sampel, serta diklasifikasikan menggunakan dua arsitektur dari Convolutional Neural Network (CNN), yakni VGG-16 dan LeNet. Hasil penelitian menunjukkan bahwa model CNN berbasis VGG-16 mampu mencapai akurasi yang tinggi dalam membedakan pola PSR antara pasien CAD dan individu normal. Pengujian Kolmogorov-Smirnov juga mendukung perbedaan signifikan distribusi ukuran geometris attractors antara kelas CAD dan normal. Kata kunci: Coronary Artery Disease, Heart Rate Variability, LeNet, Phase Space Reconstruction, VGG-16
Analisis Fraktal Non-Linier Pada Sinyal HRV Untuk Deteksi Awal Penyakit Jantung Koroner Shafa A.R, Farah Nabylla; 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

Penyakit jantung koroner merupakan salah satu penyebab kematian tertinggi secara global. Penelitian ini bertujuan untuk memperoleh pemahaman yang lebih komprehensif mengenai kondisi jantung melalui analisis sinyal elektrokardiogram (EKG), khususnya variabilitas detak jantung (Heart Rate Variability/HRV), dengan pendekatan analisis fraktal. Data HRV dihasilkan dari deteksi puncak R (R-peak) dan diolah untuk mendapatkan fitur domain waktu, yaitu Standard Deviation of RR intervals (SDRR) dan Root Mean Square of Successive Difference (RMSSD). Analisis fraktal dilakukan menggunakan metode Detrended Fluctuation Analysis (DFA), Hurst Exponent, Higuchi Fractal Dimension (HFD), Maximum Fractal Length (MFL), dan Poincaré. Fitur yang diperoleh kemudian diseleksi dengan metode Minimum Redundancy Maximum Relevance (mRMR), sementara klasifikasi kondisi jantung normal dan penyakit jantung koroner dilakukan menggunakan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa fitur fraktal mampu merepresentasikan kompleksitas sinyal HRV, dengan sejumlah parameter menunjukkan perbedaan yang signifikan antara kelompok normal dan CAD. Model SVM dengan konfigurasi kernel tertentu menghasilkan akurasi tinggi pada pengujian serta nilai cross-validation yang konsisten. Temuan ini menegaskan bahwa kombinasi analisis fraktal dan SVM berpotensi dimanfaatkan untuk deteksi dini penyakit jantung koroner serta mendukung pengembangan sistem pemantauan kesehatan berbasis EKG yang akurat dan informatif. Kata kunci— Penyakit Jantung Koroner, Heart Rate Variability, Analisis Fraktal, Detrended Fluctuation Analysis (DFA), Higuchi Fractal Dimension (HFD), Maximum Fractal Length (MFL), Poincaré, dan Support Vector Machine (SVM).
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
Co-Authors Annisa , Wina Nur Assyifa, Fathiya Nur maudy, maudy apriana Nafisa, Hana Rizkia Rande, Andini Windy Shafa A.R, Farah Nabylla Tito Waluyo Purboyo Waluyo Purboyo, Tito Winatra, Jennifer Celine