Electronic Theses and Dissertation

Electrocardiogram ECG merupakan alat yang umum digunakan dalam dunia medis untuk mendiagnosis berbagai gangguan irama jantung. Namun, analisis citra ECG secara manual memerlukan keahlian khusus dan waktu yang cukup lama, sehingga sangat dibutuhkan sistem otomatis yang mampu memproses dan mengklasifikasikan citra ECG secara efektif.
Sistem yang dikembangkan dalam penelitian ini memanfaatkan dua teknik utama: ekstraksi fitur dan deep learning. Pertama, proses ekstraksi fitur digunakan untuk mengekstrak informasi relevan dari citra ECG, seperti pola gelombang dan amplitudo yang dapat menunjukkan kondisi kesehatan jantung berupa aritmia. Berbagai teknik ekstraksi fitur, seperti transformasi wavelet dan analisis statistik, digunakan untuk memperoleh representasi numerik yang menggambarkan karakteristik citra ECG.
Selanjutnya, hasil ekstraksi fitur tersebut digunakan sebagai input untuk model deep learning. Model deep learning ini dilatih untuk mengenali pola-pola spesifik pada citra ECG dan mengklasifikasikannya ke dalam kategori yang sesuai, seperti normal, aritmia, atau gangguan jantung lainnya. Metode yang diusulkan diuji menggunakan dataset ECG yang terdiri dari citra-citra ECG yang representatif dari berbagai jenis gangguan jantung aritmia.
Hasil eksperimen menunjukkan bahwa sistem yang akan dikembangkan memiliki akurasi klasifikasi yang mampu bersaing dengan metode tradisional yang bergantung pada keahlian medis. Selain itu, sistem ini juga menunjukkan kemampuan untuk memproses data dalam waktu singkat, menjadikannya solusi yang praktis dan efisien untuk digunakan dalam praktik medis. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang teknologi kesehatan, khususnya dalam penggunaan kecerdasan buatan untuk deteksi dini gangguan jantung. Dengan penerapan sistem klasifikasi citra ECG berbasis deep learning, diharapkan dapat mengurangi beban kerja tenaga medis, meningkatkan akurasi diagnosis, serta memberikan manfaat bagi pasien melalui diagnosis yang lebih cepat dan tepat

An electrocardiogram (ECG) is a tool commonly used in the medical field to diagnose various heart rhythm disorders. However, manual analysis of ECG images requires specialized expertise and is time-consuming, making an automated system capable of effectively processing and classifying ECG images essential. The system developed in this study utilizes two main techniques: feature extraction and deep learning. First, the feature extraction process is used to extract relevant information from ECG images, such as wave patterns and amplitudes that can indicate cardiac conditions such as arrhythmia. Various feature extraction techniques, such as wavelet transformation and statistical analysis, are used to obtain a numerical representation that describes the characteristics of the ECG images. Next, the results of this feature extraction are used as input for a deep learning model. This deep learning model is trained to recognize specific patterns in ECG images and classify them into the appropriate categories, such as normal, arrhythmia, or other cardiac disorders. The proposed method was tested using an ECG dataset consisting of ECG images representative of various types of arrhythmias. The experimental results show that the system to be developed has a classification accuracy that can compete with traditional methods reliant on medical expertise. In addition, this system also demonstrates the ability to process data quickly, making it a practical and efficient solution for use in medical practice. This research is expected to make a significant contribution to the field of health technology, particularly in the use of artificial intelligence for the early detection of heart disorders. The implementation of a deep learning-based ECG image classification system is expected to reduce the workload of medical personnel, improve diagnostic accuracy, and benefit patients through faster and more accurate diagnoses.