<![CDATA[Penyakit kardiovaskular merupakan salah satu penyebab utama kematian secara global, dengan jumlah korbanmencapai jutaan jiwa setiap tahunnya. Salah satu metode deteksi dini penyakit jantung adalah melalui analisis sinyalECG (Electrocardiogram). Namun, analisis manual terhadap sinyal ECG masih memiliki keterbatasan dalam hal efisiensidan akurasi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit jantung berdasarkan nilai amplitudo sinyal ECG menggunakan metode deep learning. Empat arsitektur model deep learning yang digunakan adalah CNN, RNN, LSTM, dan GRU. Dataset yang digunakan berasal dari MIT-BIH Arrhythmia yang terdiri dari lima kelas jenis detak jantung. Proses pelatihan dan pengujian dilakukan menggunakan parameter yang sama, serta evaluasi modeldilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model CNN dan GRU memiliki performa terbaik dengan akurasi sebesar 0.98, sementara RNN menunjukkan performa terendah dengan akurasi 0.83. Hasil penelitian ini menunjukkan bahwa penggunaan model deep learning, khususnya CNN dan GRU,efektif dalam mengklasifikasikan sinyal ECG untuk deteksipenyakit jantung secara otomatis.Kata kunci—Deep learning, CNN, RNN, LSTM, GRU,Klasifikasi]]>
Copyrights © 2025
