ANALISIS SINYAL EKG FIBRILASI ATRIUM PADA DIAGNOSA PENYAKIT JANTUNG DENGAN METODE WAVELET TRANSFORM DAN DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

ANALISIS SINYAL EKG FIBRILASI ATRIUM PADA DIAGNOSA PENYAKIT JANTUNG DENGAN METODE WAVELET TRANSFORM DAN DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) Jihan Alifa Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2024 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). 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 124848 2024-07-12 11:17:43 2024-07-12 14:36:22 machine generated