Electronic Theses and Dissertation

Kurangnya penerapan teknologi pada alat kesehatan terutama elektrokardiogram (ekg). ditambah lagi angka penyakit jantung seperti aritmia dengan atrial fibrilasi semakin bertambah terutama pada pasien dengan gejala dan penderita penyakit jantung. tujuan dari penelitian ini yaitu untuk menganalisis performansi dari metode yang diajukan. oleh karena itu, metode pengolahan sinyal seperti ekstraksi dan klasifikasi dapat digunakan untuk menentukan sebuah diagnosa dengan mendeteksi kelainan irama jantung. keterbaruan dari penelitian ini berupa penggunaan metode dwt dengan mother wavelet coiflets yang dikombinasi dengan klasifikasi deep learning densenet-121. metode pengolahan sinyal yang dilakukan diantaranya preprosesing sinyal dengan bandpass filter, windowing, ekstraksi fitur menggunakan discrete wavelet transform (dwt), serta klasifikasi dengan densenet-121. performa yang dihasilkan pada penelitian ini ditunjukkan dengan akurasi sebesar 94,67%. dibandingkan dengan arsitektur resnet-34 yang menunjukkan akurasi sebesar 84%, dapat disimpulkan bahwa arsitektur densenet-121 lebih baik dalam mengklasifikasikan sinyal ekg. kata kunci: elektrokardiogram (ekg), fibrilasi atrium (af), discrete wavelet transform (dwt), dense neural network (densenet-cnn).

The Lack of application of technology in medical devices, especially Electrocardiogram (ECG). In addition, the number of heart diseases such as arrhythmia with atrial fibrillation is increasing, especially in patients with symptoms and patients with heart disease. The purpose of this study is to analyze the performance of the proposed method. Therefore, signal processing methods such as extraction and classification can be used to determine a diagnosis by detecting heart rhythm abnormalities. The novelty of this research is the use of DWT method with mother wavelet coiflets combined with DenseNet-121 deep learning classification. The signal processing methods include signal preprocessing with Bandpass Filter, Windowing, feature extraction using Discrete Wavelet Transform (DWT), and classification with DenseNet-121. The performance generated in this study is shown with an accuracy of 94.67%. Compared to the Resnet-34 architecture which shows an accuracy of 84%, it can be concluded that the DenseNet-121 architecture is better at classifying ECG signals. Keywords: Electrocardiogram (ECG), Atrial Fibrillation (AF), Discrete Wavelet Transform (DWT), Dense Neural Network (DenseNet-CNN).